Q:
¿Por qué las empresas obtienen GPU para el aprendizaje automático?
UN:Si está leyendo sobre aprendizaje automático, probablemente esté escuchando mucho sobre los usos de las unidades de procesamiento de gráficos o GPU en proyectos de aprendizaje automático, a menudo como una alternativa a las unidades de procesamiento central o CPU. Las GPU se utilizan para el aprendizaje automático debido a las propiedades específicas que los hacen más compatibles con los proyectos de aprendizaje automático, especialmente aquellos que requieren mucho procesamiento paralelo o, en otras palabras, el procesamiento simultáneo de múltiples subprocesos.
| Descarga gratuita: Aprendizaje automático y por qué es importante |
Hay muchas maneras de hablar sobre por qué las GPU se han vuelto deseables para el aprendizaje automático. Una de las formas más simples es contrastar el pequeño número de núcleos en una CPU tradicional con un número mucho mayor de núcleos en una GPU típica. Las GPU se desarrollaron para mejorar los gráficos y la animación, pero también son útiles para otros tipos de procesamiento paralelo, entre ellos, el aprendizaje automático. Los expertos señalan que aunque los muchos núcleos (a veces docenas) en una GPU típica tienden a ser más simples que los pocos núcleos de una CPU, tener una mayor cantidad de núcleos conduce a una mejor capacidad de procesamiento en paralelo. Esto encaja con la idea similar de "aprendizaje conjunto" que diversifica el aprendizaje real que ocurre en un proyecto de ML: la idea básica es que un mayor número de operadores más débiles superará a un número menor de operadores más fuertes.
Algunos expertos hablarán sobre cómo las GPU mejoran el rendimiento de coma flotante o usan las superficies de los troqueles de manera eficiente, o cómo se adaptan a cientos de hilos concurrentes en el procesamiento. Pueden hablar sobre puntos de referencia para el paralelismo de datos y la divergencia de ramas y otros tipos de trabajo que los algoritmos realizan con el apoyo de los resultados de procesamiento paralelo.
Otra forma de ver el uso popular de las GPU en el aprendizaje automático es observar tareas específicas de aprendizaje automático.
Básicamente, el procesamiento de imágenes se ha convertido en una parte importante de la industria actual del aprendizaje automático. Esto se debe a que el aprendizaje automático es adecuado para procesar los muchos tipos de características y combinaciones de píxeles que conforman los conjuntos de datos de clasificación de imágenes, y ayuda a la máquina a reconocer personas o animales (es decir, gatos) u objetos en un campo visual. No es una coincidencia que las CPU se hayan diseñado para el procesamiento de animación y ahora se usan comúnmente para el procesamiento de imágenes. En lugar de representar gráficos y animaciones, se utilizan los mismos microprocesadores de alta capacidad y multiproceso para evaluar esos gráficos y animaciones para obtener resultados útiles. Es decir, en lugar de solo mostrar imágenes, la computadora está "viendo imágenes", pero ambas tareas funcionan en los mismos campos visuales y conjuntos de datos muy similares.
Con eso en mente, es fácil ver por qué las empresas están utilizando GPU (y herramientas de siguiente nivel como GPGPU) para hacer más con el aprendizaje automático y la inteligencia artificial.
