Q:
Warum beziehen Unternehmen GPUs für maschinelles Lernen?
EIN:Wenn Sie über maschinelles Lernen lesen, werden Sie wahrscheinlich viel über die Verwendung von Grafikprozessoren oder GPUs in maschinellen Lernprojekten erfahren, häufig als Alternative zu Zentralprozessoren oder CPUs. GPUs werden für maschinelles Lernen verwendet, da sie aufgrund ihrer spezifischen Eigenschaften besser an maschinelle Lernprojekte angepasst sind, insbesondere an solche, die viel Parallelverarbeitung oder mit anderen Worten die gleichzeitige Verarbeitung mehrerer Threads erfordern.
| Kostenloser Download: Maschinelles Lernen und warum es wichtig ist |
Es gibt viele Möglichkeiten, darüber zu sprechen, warum GPUs für maschinelles Lernen wünschenswert geworden sind. Eine der einfachsten Möglichkeiten besteht darin, die geringe Anzahl von Kernen in einer herkömmlichen CPU mit der viel größeren Anzahl von Kernen in einer typischen GPU zu vergleichen. GPUs wurden entwickelt, um Grafiken und Animationen zu verbessern, sind aber auch für andere Arten der parallelen Verarbeitung nützlich - unter anderem für maschinelles Lernen. Experten weisen darauf hin, dass obwohl die vielen Kerne (manchmal Dutzende) in einer typischen GPU einfacher sind als die weniger Kerne einer CPU, eine größere Anzahl von Kernen zu einer besseren Parallelverarbeitungsfähigkeit führt. Dies steht in engem Zusammenhang mit der ähnlichen Idee des „Ensemble-Lernens“, die das tatsächliche Lernen in einem ML-Projekt diversifiziert: Die Grundidee ist, dass eine größere Anzahl von schwächeren Operatoren eine geringere Anzahl von stärkeren Operatoren übertrifft.
Einige Experten werden darüber sprechen, wie GPUs den Fließkommadurchsatz verbessern oder die Oberflächen effizient nutzen oder wie sie Hunderte von Threads gleichzeitig verarbeiten. Sie sprechen möglicherweise über Benchmarks für Datenparallelität und Branchendivergenz und andere Arten von Arbeit, die Algorithmen durch Parallelverarbeitungsergebnisse unterstützen.
Eine andere Möglichkeit, die beliebte Verwendung von GPUs beim maschinellen Lernen zu betrachten, ist die Betrachtung spezifischer maschineller Lernaufgaben.
Grundsätzlich hat sich die Bildverarbeitung zu einem wichtigen Bestandteil der heutigen maschinellen Lernindustrie entwickelt. Das liegt daran, dass maschinelles Lernen gut geeignet ist, die vielen Arten von Merkmalen und Pixelkombinationen zu verarbeiten, aus denen Bildklassifizierungsdatensätze bestehen, und dem Maschinenzug dabei zu helfen, Menschen oder Tiere (dh Katzen) oder Objekte in einem Sichtfeld zu erkennen. Es ist kein Zufall, dass CPUs für die Animationsverarbeitung entwickelt wurden und jetzt häufig für die Bildverarbeitung verwendet werden. Anstatt Grafiken und Animationen zu rendern, werden dieselben Multi-Thread-Mikroprozessoren mit hoher Kapazität verwendet, um diese Grafiken und Animationen auszuwerten und nützliche Ergebnisse zu erzielen. Das heißt, anstatt nur Bilder anzuzeigen, „sieht“ der Computer Bilder - aber beide Aufgaben arbeiten mit denselben Sichtfeldern und sehr ähnlichen Datensätzen.
Vor diesem Hintergrund ist es leicht zu verstehen, warum Unternehmen GPUs (und Tools der nächsten Stufe wie GPGPUs) einsetzen, um mehr mit maschinellem Lernen und künstlicher Intelligenz zu tun.
