Περιεχόμενο
Παρουσιάστηκε από: AltaML
Ερ:
Γιατί οι μονάδες επεξεργασίας γραφικών (GPU) είναι σημαντικές για βαθιά εκμάθηση;
ΕΝΑ:
Η χρήση μονάδων επεξεργασίας γραφικών (GPUs) έχει ιδιαίτερη σημασία για το πεδίο της βαθιάς μάθησης. Ο λόγος έχει να κάνει με το πόσο βαθιά είναι τα συστήματα εκμάθησης που έχουν συσταθεί, και τι σκοπεύουν να κάνουν.
Οι ειδικοί ορίζουν τη βαθιά μάθηση ως έναν τύπο εκμάθησης μηχανών στον οποίο οι αλγόριθμοι χρησιμοποιούν πολλαπλά επίπεδα για την προοδευτική ανάλυση δεδομένων.
Μερικοί παραθέτουν συγκεκριμένα παραδείγματα, όπως τα συνελικτικά νευρωνικά δίκτυα (CNNs) με τα διάφορα στρώματά τους, τα οποία περιλαμβάνουν τη μέγιστη συγκέντρωση, το φιλτράρισμα, το padding, το striding και άλλα καθήκοντα.
Με μια ευρύτερη έννοια, τα πράγματα όπως η επεξεργασία εικόνας και η επεξεργασία της φυσικής γλώσσας βασίζονται σε διαδικασίες πολλαπλών βημάτων, πολλαπλών αλγορίθμων, πολλά από τα οποία μοιάζουν με τα νευρωνικά δίκτυα που οι επαγγελματίες της μάθησης μάθουν να εντοπίζουν και να αναλύουν.
Όπως έχουμε παρατηρήσει σε ένα προηγούμενο άρθρο, οι GPU γενικά αποτιμώνται στη μηχανική μάθηση, λόγω της δυνατότητας παράλληλης επεξεργασίας τους. Καθώς η μηχανική μάθηση προχώρησε, ο κόσμος του υλικού προχωρούσε επίσης από την ιδέα ενός μεμονωμένου ισχυρού πυρήνα CPU σε πολλαπλές μονάδες με παράλληλη επεξεργασία που μπορούν να χειριστούν καλύτερα τα μεγάλα ποσά υπολογιστικής εργασίας γρήγορα.
Με συστήματα βαθιάς μάθησης που περιλαμβάνουν γενετικά μοντέλα υψηλότερου επιπέδου, όπως δίκτυα βαθιών πεποιθήσεων, μηχανές Boltzmann και συστήματα καταστάσεων ηχώ, υπάρχει μια ειδική ανάγκη για παράλληλη επεξεργασία και εξειδικευμένο σχεδιασμό πυρήνα. Θα μπορούσατε να πείτε ότι η χρήση των GPU είναι κάπως παρόμοια με τη χρήση Advanced Machine RISC σε μερικές άλλες μορφές επεξεργασίας - ότι η προσαρμογή των μαρκών σε μια συγκεκριμένη χρήση έχει πολύ νόημα.
Εκτός από τη χρησιμότητα των GPU για βαθιά εκμάθηση, βλέπετε επίσης ότι αυτοί οι ίδιοι τύποι επεξεργαστών γίνονται δημοφιλείς στις κινήσεις προς μια θεμελιώδη αλλαγή στη δομή υπολογιστών γνωστή ως κβαντική υπολογιστική.
Εδώ και πάλι, είναι η πολυπλοκότητα και η υψηλότερη τάξη παραγγελίας της υπολογιστικής ισχύος που απαιτεί την ικανότητα παράλληλης επεξεργασίας. Στον κβαντικό υπολογισμό, τα παραδοσιακά bits αντικαθίστανται από qubits, τα οποία μπορούν να έχουν τιμή 1, 0 ή έναν απροσδιόριστο συνδυασμό. Αυτό το είδος του "κουμπιού του Schroedinger" αποτελεί τη βάση για ένα υπολογιστικό μοντέλο που μπορεί να μετατρέψει τον κόσμο της πληροφορικής στο κεφάλι του.
Για όσους ενδιαφέρονται για τις αναδυόμενες τεχνολογίες, θα είναι το κλειδί για την παρακολούθηση της χρήσης των GPU και των διαδόχων τους σε συστήματα όπως τα δίκτυα βαθιάς μάθησης και τα συστήματα κβαντικής πληροφορικής. Και οι δύο αυτοί, πολλοί ειδικοί θα έλεγαν, είναι στα σπάργανα και θα ωριμάσουν και θα φέρουν αποτελέσματα τα επόμενα χρόνια.
