T:
Bakit ang mga kumpanya ay gumagaling sa mga GPU para sa pag-aaral ng machine?
A:Kung nagbabasa ka tungkol sa pag-aaral ng machine, malamang na nakakarinig ka tungkol sa mga gamit ng mga graphic processing unit o GPU sa mga proyekto sa pag-aaral ng machine, madalas bilang isang kahalili sa mga sentral na yunit ng pagproseso o mga CPU. Ginagamit ang mga GPU para sa pag-aaral ng machine dahil sa mga tukoy na katangian na ginagawang mas mahusay na tumugma sa mga proyekto sa pag-aaral ng machine, lalo na sa mga nangangailangan ng maraming kahanay na pagproseso, o sa madaling salita, sabay-sabay na pagproseso ng maraming mga thread.
| Libreng Pag-download: Pag- aaral ng Machine at Bakit Mahalaga ito |
Maraming mga paraan upang pag-usapan ang tungkol sa kung bakit ang mga GPU ay naging kanais-nais para sa pag-aaral ng makina. Ang isa sa mga pinakasimpleng paraan ay ang pag-iba ng maliit na bilang ng mga cores sa isang tradisyonal na CPU na may mas malaking bilang ng mga cores sa isang pangkaraniwang GPU. Ang mga GPU ay binuo upang mapahusay ang mga graphics at animation, ngunit kapaki-pakinabang din para sa iba pang mga uri ng pag-proseso ng kahanay - bukod sa mga ito, pag-aaral ng makina. Itinuturo ng mga eksperto na kahit na ang maraming mga cores (kung minsan ay dose) sa isang tipikal na GPU ay may posibilidad na maging mas simple kaysa sa mas kaunting mga cores ng isang CPU, ang pagkakaroon ng isang mas malaking bilang ng mga cores ay humantong sa mas mahusay na kahilera na pagpoproseso ng kakayahan. Ang mga dovetails na ito ay may katulad na ideya ng "ensemble learning" na pinag-iba ang aktwal na pag-aaral na nagpapatuloy sa isang proyekto sa ML: Ang pangunahing ideya ay ang mas malaking bilang ng mga mas mahihinang operator ay makakapal ng mas maliit na bilang ng mas malakas na mga operator.
Ang ilang mga eksperto ay pag-uusapan kung paano mapabuti ng mga GPU ang lumulutang na point throughput o gumamit nang maayos ang mga ibabaw ng die, o kung paano nila akitin ang daan-daang mga kasabay na mga thread sa pagproseso. Maaari nilang pag-usapan ang tungkol sa mga benchmark para sa data paralelismo at pagkakaiba-iba ng sangay at iba pang mga uri ng trabaho na ginagawa ng algorithm na sinusuportahan ng kahilera na mga resulta sa pagproseso.
Ang isa pang paraan upang tingnan ang tanyag na paggamit ng mga GPU sa pag-aaral ng makina ay ang pagtingin sa mga tukoy na gawain sa pagkatuto ng makina.
Pangunahin, ang pagproseso ng imahe ay naging isang pangunahing bahagi ng industriya ng pagkatuto ng makina ngayon. Iyon ay dahil sa pag-aaral ng makina ay angkop sa pagproseso ng maraming uri ng mga tampok at mga kumbinasyon ng pixel na bumubuo ng mga set ng data ng pag-uuri ng imahe, at tulungan ang tren ng makina upang makilala ang mga tao o hayop (ie pusa) o mga bagay sa isang visual na larangan. Ito ay hindi isang pagkakataon na ang mga CPU ay dinisenyo para sa pagproseso ng animation, at karaniwang ginagamit ito para sa pagproseso ng imahe. Sa halip na mag-render ng mga graphics at animation, ang parehong multi-thread, mataas na kapasidad na microprocessors ay ginagamit upang suriin ang mga graphics at animation na makabuo ng mga kapaki-pakinabang na resulta. Iyon ay, sa halip na magpakita lamang ng mga imahe, ang computer ay "nakakakita ng mga imahe" - ngunit ang parehong mga gawaing iyon ay gumagana sa parehong mga visual na larangan at katulad na mga set ng data.
Sa pag-iisip nito, madaling makita kung bakit ang mga kumpanya ay gumagamit ng mga GPU (at mga kasangkapan sa susunod na antas tulad ng GPGPU) upang magawa ang higit sa pag-aaral ng makina at artipisyal na katalinuhan.
