P:
Per què les empreses subministren GPU per a l'aprenentatge automàtic?
R:Si esteu llegint sobre l'aprenentatge automàtic, probablement esteu escoltant molt sobre els usos de les unitats de processament gràfics o GPU en projectes d'aprenentatge automàtic, sovint com a alternativa a les unitats de processament central o CPU. Les GPU s’utilitzen per a l’aprenentatge automàtic a causa de propietats específiques que els ajusten millor als projectes d’aprenentatge automàtic, especialment aquells que requereixen molt de processament paral·lel, o dit d’una altra manera, processament simultani de diversos fils.
| Descàrrega gratuïta: Aprenentatge automàtic i per què és important |
Hi ha moltes maneres de parlar de per què les GPU s'han convertit en desitjables per a l'aprenentatge automàtic. Una de les maneres més senzilles és contrastar el nombre reduït de nuclis en una CPU tradicional amb un nombre molt més gran de nuclis en una GPU típica. Les GPU es van desenvolupar per millorar els gràfics i l'animació, però també són útils per a altres tipus de processament paral·lel, entre ells l'aprenentatge de màquines. Els experts assenyalen que tot i que molts nuclis (de vegades desenes) en una GPU típica solen ser més senzills que els menys nuclis d'una CPU, tenir un nombre més gran de nuclis condueix a un millor processament paral·lel. Això es combina amb la idea semblant de “aprenentatge conjunt” que diversifica l’aprenentatge real que es desenvolupa en un projecte de ML: La idea bàsica és que un nombre més gran d’operadors més febles superaran un nombre inferior d’operadors més forts.
Alguns experts parlaran de com les GPU milloren el rendiment flotant del punt flotant o utilitzen les superfícies de matrius de manera eficient, o de quina forma s’ajusten a centenars de fils concurrents en el processament. Poden parlar de punts de referència sobre paral·lelisme de dades i divergència de branques i altres tipus de treballs que els algoritmes admeten amb resultats de processament paral·lel.
Una altra manera de mirar l’ús popular de les GPU en l’aprenentatge de màquines és mirar tasques específiques d’aprenentatge automàtic.
Fonamentalment, el processament d’imatges s’ha convertit en una part important de la indústria d’aprenentatge automàtic actual. Això és degut a que l’aprenentatge automàtic s’adapta molt a processar molts tipus de funcions i combinacions de píxels que formen conjunts de dades de classificació d’imatges i ajuden a la màquina a formar-se a reconèixer persones o animals (per exemple gats) o objectes en un camp visual. No és casualitat que les CPU es dissenyessin per a processament d’animació i que ara s’utilitzin habitualment per a processar imatges. En lloc de representar gràfics i animacions, els mateixos microprocessadors de gran capacitat multi-fil, s'utilitzen per avaluar aquells gràfics i animació per obtenir resultats útils. És a dir, en lloc de només mostrar imatges, l’ordinador està “veient imatges”, però totes dues tasques funcionen en els mateixos camps visuals i conjunts de dades molt similars.
Tenint això en compte, és fàcil veure per què les empreses utilitzen GPU (i eines de nivell següent com GPGPU) per fer més coses amb l'aprenentatge automàtic i la intel·ligència artificial.
