Q:
Hvorfor er grafikkbehandlingsenheter (GPU-er) viktige for dyp læring?
EN:Bruken av grafiske prosesseringsenheter (GPU-er) har særlig betydning for feltet dyp læring. Årsaken har å gjøre med hvordan dype læringssystemer er satt opp, og hva de er ment å gjøre.
Eksperter definerer dyp læring som en type maskinlæring der algoritmer bruker flere lag for progressiv dataanalyse.
Noen siterer spesielle eksempler, for eksempel innviklede nevrale nettverk (CNN) med sine forskjellige lag som involverer maksimal pooling, filtrering, polstring, skriding og andre oppgaver.
I en større forstand er ting som bildebehandling og naturlig språkbehandling avhengige av flertrinns-prosedyrer med flere algoritmer, hvorav mange ligner nevrale nettverk som maskinlæringsfagfolk lærer å identifisere og analysere.
Som vi har nevnt i en tidligere artikkel, er GPU-er generelt verdsatt i maskinlæring på grunn av deres parallelle prosesseringsevne. Etter hvert som maskinlæringen gikk videre, utviklet maskinvareverdenen seg også fra ideen om en individuell sterk CPU-kjerne til flere enheter med parallell prosessering som mer effektivt kan håndtere store mengder beregningsarbeid raskt.
Med dype læringssystemer som inkluderer generative modeller på høyere nivå som nettverk med dyp tro, Boltzmann-maskiner og ekko-tilstandssystemer, er det et spesifikt behov for parallell prosessering og spesialisert kjernedesign. Du kan si at bruken av GPU-er er litt lik bruken av avanserte RISC-maskiner i noen andre typer behandlinger - at det å tilpasse sjetonger til en bestemt bruk gir en god del mening.
I tillegg til bruken av GPU-er for dyp læring, ser du også at de samme typene prosessorer blir populære i trekk mot en grunnleggende endring i databehandling som kalles kvanteberegning.
Også her er det kompleksiteten og bestillingen av datakraft som krever parallell prosesseringsevne. Ved kvanteberegning erstattes tradisjonelle biter av qubits, som kan ha en verdi på 1, 0 eller en uspesifisert kombinasjon. Denne typen "Schroedinger's bit" danner grunnlaget for en datamodell som kan gjøre IT-verdenen på hodet.
For de som er interessert i nye teknologier, vil det være nøkkelen å se bruken av GPU-er og deres etterfølgere i slike systemer som dybdelæringsnettverk og kvanteberegningsoppsett. Begge disse, vil mange eksperter si, er i sin spedbarn og vil modnes og gi resultater i årene som kommer.
