Q:
Чому компанії постачають графічні процесори для машинного навчання?
A:Якщо ви читаєте про машинне навчання, ви, мабуть, багато чуєте про використання одиниць графічної обробки або графічних процесорів у проектах машинного навчання, часто як альтернативу центральним процесорним блокам або процесорам. Графічні процесори використовуються для машинного навчання завдяки специфічним властивостям, завдяки яким вони краще підходять до проектів машинного навчання, особливо тих, які потребують багато паралельної обробки, або іншими словами, одночасної обробки декількох потоків.
| Безкоштовне завантаження: машинне навчання і чому це важливо |
Є багато способів поговорити про те, чому GPU стали бажаними для машинного навчання. Один з найпростіших способів - порівняння невеликої кількості ядер у традиційному процесорі зі значно більшою кількістю ядер у типовому графічному процесорі. Графічні процесори були розроблені для покращення графіки та анімації, але також корисні для інших видів паралельної обробки - серед них машинного навчання. Експерти зазначають, що хоча багато ядер (іноді десятки) в типовому графічному процесорі, як правило, простіші, ніж менше ядер ЦП, але більша кількість ядер призводить до кращої можливості паралельної обробки. Це узгоджується з аналогічною ідеєю "ансамблевого навчання", яка урізноманітнює фактичне навчання, яке відбувається в рамках проекту ML: Основна ідея полягає в тому, що більша кількість слабших операторів перевершить меншу кількість сильніших операторів.
Деякі експерти розповідатимуть про те, як графічні процесори покращують пропускну здатність плаваючої точки або ефективно використовують поверхню штампів, або як вони вміщують сотні одночасних ниток в обробці. Вони можуть говорити про орієнтири для паралелізму даних та розбіжності гілок та інші види роботи, які алгоритми підтримують при результатах паралельної обробки.
Ще один спосіб переглянути популярне використання графічних процесорів у машинному навчанні - це переглянути конкретні завдання машинного навчання.
По суті, обробка зображень стала важливою частиною сьогоднішньої галузі машинного навчання. Це тому, що машинне навчання добре підходить для обробки багатьох типів функцій та комбінацій пікселів, які складають набори даних класифікації зображень, і допомагають машині тренувати розпізнавати людей чи тварин (тобто котів) чи об’єкти у зорі зору. Не випадково процесори були розроблені для обробки анімації, і зараз вони зазвичай використовуються для обробки зображень. Замість візуалізації графіки та анімації використовуються ті ж багатопотокові мікропроцесори з високою ємністю для оцінювання графіки та анімації для отримання корисних результатів. Тобто, замість того, щоб просто показувати зображення, комп'ютер "бачить зображення", але обидва ці завдання працюють у одних і тих же полях зору та дуже схожих наборах даних.
Зважаючи на це, легко зрозуміти, чому компанії використовують GPU (і такі інструменти наступного рівня, як GPGPU), щоб зробити більше з машинним навчанням та штучним інтелектом.
