J:
Kāpēc uzņēmumi iegādājas GPU mašīnmācībai?
A:Ja lasāt par mašīnmācību, iespējams, daudz dzirdējāt par grafikas apstrādes vienību vai GPU izmantošanu mašīnmācības projektos, bieži kā par alternatīvu centrālajiem procesora blokiem vai CPU. GPU tiek izmantoti mašīnu apguvei specifisku īpašību dēļ, kas padara tos labāk pielāgotus mašīnmācīšanās projektiem, īpaši tiem, kuriem nepieciešama daudz paralēlas apstrādes jeb, citiem vārdiem sakot, vairāku pavedienu vienlaicīga apstrāde.
| Bezmaksas lejupielāde: mašīnmācīšanās un kāpēc tas ir svarīgi |
Ir daudz veidu, kā runāt par to, kāpēc GPU ir kļuvuši vēlami mašīnmācībai. Viens no vienkāršākajiem veidiem ir neliela kodolu skaita salīdzināšana tradicionālajā CPU ar daudz lielāku kodolu skaitu tipiskā GPU. GPU tika izstrādāti, lai uzlabotu grafiku un animāciju, bet ir noderīgi arī cita veida paralēlai apstrādei - to skaitā mašīnmācībai. Eksperti uzsver: lai arī daudzie serdeņi (dažreiz desmitiem) tipiskā GPU parasti ir vienkāršāki nekā mazāk CPU serdeņu, lielāka kodolu skaita klātbūtne rada labākas paralēlās apstrādes iespējas. Tas sakrīt ar līdzīgo “ansambļa mācīšanās” ideju, kas dažādo faktisko mācīšanos, kas notiek ML projektā: Pamatideja ir tāda, ka lielāks skaits vājāku operatoru pārspēs mazāku skaitu spēcīgāku operatoru.
Daži eksperti runās par to, kā GPU uzlabo peldošā komata caurlaidspēju vai efektīvi izmanto presformu virsmas, vai arī kā tie apstrādā simtiem vienlaicīgu pavedienu. Viņi var runāt par datu paralēlisma un nozaru novirzes etaloniem un citiem darba veidiem, kurus algoritmi veic ar paralēlās apstrādes rezultātiem.
Vēl viens veids, kā aplūkot GPU izmantošanu mašīnmācībā, ir aplūkot īpašus mašīnmācīšanās uzdevumus.
Būtībā attēlu apstrāde ir kļuvusi par galveno mūsdienu mašīnmācīšanās nozares sastāvdaļu. Tas ir tāpēc, ka mašīnmācība ir labi piemērota daudzu veidu funkciju un pikseļu kombināciju apstrādei, kas veido attēlu klasifikācijas datu kopas un palīdz mašīnai atpazīt cilvēkus vai dzīvniekus (ti, kaķus) vai objektus redzes laukā. Tā nav nejaušība, ka CPU tika izstrādāti animācijas apstrādei, un tagad tos parasti izmanto attēlu apstrādei. Grafikas un animācijas renderēšanas vietā tiek izmantoti tie paši vairāku pavedienu lieljaudas mikroprocesori, kas novērtē šos grafiskos attēlus un animācijas, lai iegūtu noderīgus rezultātus. Tas ir, tā vietā, lai tikai parādītu attēlus, dators “redz attēlus” - bet abi šie uzdevumi darbojas uz vieniem un tiem pašiem redzes laukiem un ļoti līdzīgām datu kopām.
Paturot to prātā, ir viegli saprast, kāpēc uzņēmumi izmanto GPU (un nākamā līmeņa rīkus, piemēram, GPGPU), lai vairāk nodarbotos ar mašīnmācīšanos un mākslīgo intelektu.
