P:
Dlaczego firmy pozyskują procesory graficzne do uczenia maszynowego?
ZA:Jeśli czytasz o uczeniu maszynowym, prawdopodobnie słyszysz dużo o zastosowaniu jednostek przetwarzania grafiki lub procesorów graficznych w projektach uczenia maszynowego, często jako alternatywa dla jednostek centralnych lub procesorów. Procesory graficzne są używane do uczenia maszynowego ze względu na określone właściwości, które sprawiają, że są one lepiej dopasowane do projektów uczenia maszynowego, zwłaszcza tych, które wymagają dużej ilości przetwarzania równoległego lub innymi słowy, jednoczesnego przetwarzania wielu wątków.
| Bezpłatne pobieranie: Uczenie maszynowe i dlaczego to ma znaczenie |
Istnieje wiele sposobów mówienia o tym, dlaczego procesory graficzne stały się pożądane do uczenia maszynowego. Jednym z najprostszych sposobów jest porównanie małej liczby rdzeni w tradycyjnym procesorze ze znacznie większą liczbą rdzeni w typowym procesorze graficznym. Procesory graficzne zostały opracowane w celu ulepszenia grafiki i animacji, ale są również przydatne do innych rodzajów przetwarzania równoległego - w tym do uczenia maszynowego. Eksperci zwracają uwagę, że chociaż wiele rdzeni (czasem dziesiątki) w typowym GPU jest zwykle prostszych niż mniej rdzeni procesora, posiadanie większej liczby rdzeni prowadzi do lepszych możliwości przetwarzania równoległego. Jest to zgodne z podobną ideą „uczenia się w zespole”, która różnicuje faktyczne uczenie się, które ma miejsce w projekcie ML: Podstawową ideą jest to, że większa liczba słabszych operatorów przewyższy mniejszą liczbę silniejszych operatorów.
Niektórzy eksperci będą rozmawiać o tym, w jaki sposób procesory graficzne poprawiają przepustowość zmiennoprzecinkową lub efektywnie wykorzystują powierzchnie matryc, lub w jaki sposób uwzględniają setki współbieżnych wątków w przetwarzaniu. Mogą mówić o testach porównawczych dla równoległości danych i dywergencji gałęzi oraz o innych rodzajach pracy wykonywanych przez algorytmy wspierane przez równoległe wyniki przetwarzania.
Innym sposobem spojrzenia na popularne wykorzystanie procesorów graficznych w uczeniu maszynowym jest przyjrzenie się konkretnym zadaniom uczenia maszynowego.
Zasadniczo przetwarzanie obrazu stało się ważną częścią dzisiejszej branży uczenia maszynowego. Wynika to z faktu, że uczenie maszynowe doskonale nadaje się do przetwarzania wielu rodzajów funkcji i kombinacji pikseli, które składają się na zestawy danych klasyfikacji obrazów i pomagają maszynowni rozpoznać ludzi lub zwierzęta (tj. Koty) lub przedmioty w polu widzenia. To nie przypadek, że procesory zostały zaprojektowane do przetwarzania animacji i teraz są powszechnie używane do przetwarzania obrazu. Zamiast renderowania grafiki i animacji używa się tego samego wielowątkowego mikroprocesora o dużej pojemności do oceny grafiki i animacji w celu uzyskania użytecznych wyników. Oznacza to, że zamiast tylko wyświetlać obrazy, komputer „widzi obrazy” - ale oba te zadania działają na tych samych polach wizualnych i bardzo podobnych zestawach danych.
Mając to na uwadze, łatwo jest zrozumieć, dlaczego firmy używają procesorów graficznych (i narzędzi następnego poziomu, takich jak GPGPU), aby zrobić więcej dzięki uczeniu maszynowemu i sztucznej inteligencji.
