Глубокое изучение способа GPU
Вот краткий обзор технологий глубокого обучения и того, как GPU забивают ранние победы в этом пространстве.
Изображение предоставлено NVIDIA
Глубокое обучение, которое является подмножеством технологии машинного обучения, быстро переходит к основным проектам на пересечении графических процессоров, блоков FPGA и DSP. Это метод, который учит вычислительный движок выполнять задачу, а не программировать ее для этого.
Глубокое обучение, внедренное в технологии искусственного интеллекта, имеет широкое применение в отраслях автомобилестроения, здравоохранения, изображений и безопасности, где оно выполняет такие задачи, как видеоанализ, распознавание лиц и классификация изображений. Например, самозанятые автомобили являются основным бенефициаром чипов с глубоким обучением, которые контролируют данные с камер, LiDAR и других датчиков, чтобы распознавать объекты и впоследствии реагировать на конкретные ситуации.
Технология глубокого обучения эволюционировала от нейронных сетей, усиливая имитацию человеческого мозга с точки зрения интеллектуальной системы обработки, но нейронные сети обычно состоят из одного слоя, на котором подаются данные, сеть взвешивает его, и результат отображается. Глубокое обучение имеет больше уровней и, следовательно, способно вычислять более сложные сценарии, такие как обнаружение и распознавание объектов.
Типовые этапы обучения и вывода, показанные в процессе глубокого обучения. Изображение предоставлено NVIDIA
Глубокий процесс обучения состоит из двух этапов. Во-первых, интенсивный процесс обучения обучающих моделей включает в себя обширный анализ наборов данных и алгоритмов, которые точно описывают природу объектов. Второй этап-вывод - это выполнение обучаемых моделей таким образом, чтобы алгоритмы применялись в режиме реального времени для определения реальных объектов или ситуаций для принятия соответствующих решений.
Путь GPU
NVIDIA, первый разработчик в области глубокого обучения, теперь является лидером на рынке с графическими процессорами, которые могут похвастаться скоростью, а также мощной вычислительной мощностью для выполнения интенсивных алгоритмов. Генеральный директор компании Jen-Hsun Huang цитирует учение о глубоком обучении как основной фактор в избиении целей первого квартала 2016 года.
Большинство технологий нейронных сетей, таких как компьютерное зрение и глубокое обучение, работают на графических процессорах, потому что графические ускорители по своей сути более подходят для приложений с высокой скоростью передачи речи, изображений и видео.
Более того, глубокое обучение включает в себя множество векторных и матричных операций, поэтому он быстрее работает на графическом процессоре, чем процессор. Графический процессор предназначен для параллельного вычисления одних и тех же инструкций. Далее, GPU может похвастаться более высокой пропускной способностью для извлечения из памяти и большего количества вычислительных единиц; GPU может иметь тысячи ядер.
Глубокое обучение - ключевой технологический компонент в самозанятых автомобилях. Изображение предоставлено NVIDIA
Однако, в то время как графические процессоры предлагают мощную мощность, требуемую для интенсивного вычислительного процесса обучающих моделей, когда дело доходит до выполнения этих обучающих моделей для использования в реальном времени, таких случаев, как распознавание лиц, оно возвращается к кластерам CPU. Затем возникают проблемы, связанные с отходами питания, вызванными процессором, управляющим GPU.
NVIDIA построила командные позиции на зарождающемся рынке глубокого обучения, предоставив современное оборудование для графического процессора для серверов, используемых для учебных моделей, которые различают объекты, такие как пешеходы, автомобили, велосипедисты и т. Д. Теперь графический чипмейкер обслуживает второе углубленное обучение вывод, который выполняет модели через Tesla M40 и его меньший компаньон M4 GPU.
Между тем, другие чип-архитектуры, в первую очередь DSP и FPGA, догоняют в глубоком пространстве обучения, предлагая мощность, эффективность и другие преимущества.
Вторая часть серии о глубоком обучении будет охватывать роль ПЛИС на этом растущем рынке.