Contente
Apresentado por: AltaML
Q:
Por que as GPUs (unidades de processamento gráfico) são importantes para o aprendizado profundo?
UMA:
O uso de unidades de processamento gráfico (GPUs) tem particular importância no campo da aprendizagem profunda. O motivo tem a ver com a forma como os sistemas de aprendizado profundo são configurados e o que eles pretendem fazer.
Os especialistas definem o aprendizado profundo como um tipo de aprendizado de máquina, no qual os algoritmos usam várias camadas para análise progressiva dos dados.
Alguns citam exemplos particulares, como as redes neurais convolucionais (CNNs), com suas várias camadas, envolvendo pool máximo, filtragem, preenchimento, passada e outras tarefas.
Em um sentido mais amplo, coisas como processamento de imagem e processamento de linguagem natural dependem de procedimentos de várias etapas e algoritmos múltiplos, muitos dos quais se assemelham às redes neurais que os profissionais de aprendizado de máquina aprendem a identificar e analisar.
Como observamos em um artigo anterior, as GPUs geralmente são valorizadas no aprendizado de máquina, devido à sua capacidade de processamento paralelo. À medida que o aprendizado de máquina progredia, o mundo do hardware também estava progredindo da idéia de um núcleo forte de CPU individual para várias unidades com processamento paralelo que podem lidar mais adequadamente com grandes quantidades de trabalho computacional rapidamente.
Com os sistemas de aprendizado profundo adotando modelos generativos de alto nível, como redes de crenças profundas, máquinas Boltzmann e sistemas de estado de eco, há uma necessidade específica de processamento paralelo e projeto de núcleo especializado. Você poderia dizer que o uso de GPUs é um pouco semelhante ao uso de Advanced RISC Machines em alguns outros tipos de processamento - que personalizar os chips para um uso específico faz muito sentido.
Além do utilitário das GPUs para aprendizado profundo, você também vê esses mesmos tipos de processadores se tornando populares nos movimentos em direção a uma mudança fundamental na estrutura de computação conhecida como computação quântica.
Aqui, novamente, é a complexidade e a ordem de nível superior do poder de computação que exigem a capacidade de processamento paralelo. Na computação quântica, os bits tradicionais são substituídos por qubits, que podem ter o valor 1, 0 ou uma combinação não especificada. Esse tipo de "parte de Schroedinger" forma a base de um modelo de computação que pode mudar o mundo da TI.
Para aqueles interessados em tecnologias emergentes, será fundamental observar o uso de GPUs e seus sucessores em sistemas como redes de aprendizado profundo e configurações de computação quântica. Ambos, diriam muitos especialistas, estão na infância e amadurecerão e trarão resultados nos próximos anos.
