П:
Зашто компаније набављају графичке процесе за машинско учење?
А:Ако читате о машинском учењу, вероватно чујете много о употреби јединица за графичку обраду или ГПУ-а у пројектима машинског учења, често као алтернатива централним процесорским јединицама или ЦПУ-има. ГПУ-ови се користе за машинско учење због специфичних својстава која их чине бољим уклапањем у пројекте машинског учења, посебно оних који захтевају пуно паралелне обраде, или другим речима, истовремене обраде више нити.
| Бесплатно преузимање: Машинско учење и зашто је то важно |
Много је начина за разговор о томе зашто су ГПУ постали пожељни за машинско учење. Један од најједноставнијих начина је контраст малог броја језгара у традиционалном ЦПУ-у са много већим бројем језгара у типичном ГПУ-у. ГПУ-ови су развијени како би побољшали графику и анимацију, али су такође корисни за друге врсте паралелне обраде - међу њима и машинско учење. Стручњаци истичу да иако су многе језгре (понекад и десетине) у типичном ГПУ-у обично једноставније од мање језгара ЦПУ-а, већи број језгара доводи до боље паралелне могућности обраде. То се подудара са сличном идејом „ансамблиног учења“ која диверзификује стварна учења која се настављају у МЛ пројекту: Основна идеја је да већи број слабијих оператора надмаши мањи број снажнијих оператора.
Неки стручњаци ће говорити о томе како ГПУ побољшавају пропусност флоатинг поинт-а или ефикасно користе површине матрице или како у њих обрађују стотине истодобних нити. Они могу разговарати о референтним вриједностима за паралелизам података и дивергенцији грана и другим врстама рада које алгоритми подржавају резултатима паралелне обраде.
Други начин да се погледа популарна употреба ГПУ-а у машинском учењу је сагледавање одређених задатака машинског учења.
У основи, обрада слике је постала главни део данашње индустрије машинског учења. То је зато што је машинско учење добро прилагођено за обраду многих типова функција и комбинација пиксела који чине скупове података о класификацији слике и помаже машинском тренирању да препознаје људе или животиње (тј. Мачке) или објекте у визуелном пољу. Није случајно што су ЦПУ дизајнирани за обраду анимација, а сада се најчешће користе за обраду слика. Уместо да прикажу графику и анимацију, исти проценат микропроцесора великог капацитета, који се користи за процену те графике и анимације, доноси корисне резултате. То јест, уместо да само приказује слике, рачунар „види слике“ - али оба ова задатка раде на истим визуелним пољима и врло сличним скуповима података.
Имајући то у виду, лако је схватити зашто компаније користе ГПУ (и алате следећег нивоа попут ГПГПУ-а) да би учинили више са машинским учењем и вештачком интелигенцијом.
