D:
Perché le aziende acquistano GPU per l'apprendimento automatico?
UN:Se stai leggendo l'apprendimento automatico, probabilmente ascolterai molto sull'uso delle unità di elaborazione grafica o delle GPU nei progetti di apprendimento automatico, spesso in alternativa alle unità di elaborazione centrale o alle CPU. Le GPU vengono utilizzate per l'apprendimento automatico a causa di proprietà specifiche che le rendono più adatte ai progetti di apprendimento automatico, in particolare quelli che richiedono molta elaborazione parallela o, in altre parole, elaborazione simultanea di più thread.
| Download gratuito: Machine Learning e perché è importante |
Esistono molti modi per spiegare perché le GPU sono diventate desiderabili per l'apprendimento automatico. Uno dei modi più semplici è quello di contrastare il numero ridotto di core in una CPU tradizionale con un numero molto maggiore di core in una GPU tipica. Le GPU sono state sviluppate per migliorare la grafica e l'animazione, ma sono utili anche per altri tipi di elaborazione parallela, tra cui l'apprendimento automatico. Gli esperti sottolineano che, sebbene i numerosi core (a volte dozzine) in una GPU tipica tendano ad essere più semplici dei pochi core di una CPU, avere un numero maggiore di core porta a una migliore capacità di elaborazione parallela. Ciò coincide con l'idea simile di "apprendimento d'insieme" che diversifica l'apprendimento reale che si svolge in un progetto ML: L'idea di base è che un numero maggiore di operatori più deboli supererà un numero inferiore di operatori più forti.
Alcuni esperti parleranno di come le GPU migliorano la produttività in virgola mobile o utilizzano le superfici degli stampi in modo efficiente o di come adattano centinaia di thread simultanei nell'elaborazione. Possono parlare di parametri di riferimento per il parallelismo dei dati e la divergenza di diramazione e altri tipi di lavoro che gli algoritmi supportano dai risultati dell'elaborazione parallela.
Un altro modo per esaminare l'uso popolare delle GPU nell'apprendimento automatico è quello di esaminare attività specifiche di apprendimento automatico.
Fondamentalmente, l'elaborazione delle immagini è diventata una parte importante del settore dell'apprendimento automatico di oggi. Questo perché l'apprendimento automatico è adatto all'elaborazione di molti tipi di funzioni e combinazioni di pixel che compongono i set di dati di classificazione delle immagini e aiuta la macchina ad allenarsi a riconoscere persone o animali (ad esempio gatti) o oggetti in un campo visivo. Non è una coincidenza che le CPU siano state progettate per l'elaborazione di animazioni e ora siano comunemente utilizzate per l'elaborazione di immagini. Invece di eseguire il rendering di grafica e animazione, vengono utilizzati gli stessi microprocessori multi-thread ad alta capacità per valutare la grafica e l'animazione per ottenere risultati utili. Cioè, invece di mostrare solo le immagini, il computer "vede le immagini", ma entrambe queste attività funzionano sugli stessi campi visivi e set di dati molto simili.
Con questo in mente, è facile capire perché le aziende utilizzano GPU (e strumenti di livello successivo come GPGPU) per fare di più con l'apprendimento automatico e l'intelligenza artificiale.
