Q:
Pourquoi les unités de traitement graphique (GPU) sont-elles importantes pour l'apprentissage en profondeur?
UNE:L'utilisation d'unités de traitement graphique (GPU) revêt une importance particulière pour le domaine de l'apprentissage en profondeur. La raison tient à la façon dont les systèmes d'apprentissage approfondi sont mis en place et à ce qu'ils sont censés faire.
Les experts définissent le deep learning comme un type de machine learning dans lequel les algorithmes utilisent plusieurs couches pour une analyse progressive des données.
Certains citent des exemples particuliers, tels que les réseaux de neurones convolutifs (CNN) avec leurs différentes couches impliquant la mise en commun maximale, le filtrage, le remplissage, la foulée et d'autres tâches.
Dans un sens plus large, des choses comme le traitement d'image et le traitement du langage naturel reposent sur des procédures multi-étapes et multi-algorithmes, dont beaucoup ressemblent aux réseaux de neurones que les professionnels de l'apprentissage automatique apprennent à identifier et à analyser.
Comme nous l'avons noté dans un article précédent, les GPU sont généralement appréciés dans l'apprentissage automatique, en raison de leur capacité de traitement parallèle. Au fur et à mesure que l'apprentissage automatique progressait, le monde du matériel évoluait également de l'idée d'un cœur de processeur solide individuel à plusieurs unités avec traitement parallèle qui peuvent gérer plus efficacement de grandes quantités de travail de calcul rapidement.
Avec des systèmes d'apprentissage en profondeur englobant des modèles génératifs de niveau supérieur tels que les réseaux de croyances profondes, les machines Boltzmann et les systèmes d'état d'écho, il existe un besoin spécifique de traitement parallèle et de conception de noyau spécialisée. Vous pourriez dire que l'utilisation de GPU est quelque peu similaire à l'utilisation de machines RISC avancées dans certains autres types de traitement - que la personnalisation des puces pour une utilisation particulière a beaucoup de sens.
En plus de l'utilité des GPU pour l'apprentissage en profondeur, vous voyez également ces mêmes types de processeurs devenir populaires dans les mouvements vers un changement fondamental dans la structure informatique connu sous le nom d'informatique quantique.
Là encore, c'est la complexité et l'ordre de niveau supérieur de la puissance de calcul qui nécessitent la capacité de traitement parallèle. En informatique quantique, les bits traditionnels sont remplacés par des qubits, qui peuvent avoir une valeur de 1, 0 ou une combinaison non spécifiée. Ce genre de «morceau de Schroedinger» constitue la base d'un modèle informatique qui peut bouleverser le monde de l'informatique.
Pour ceux qui s'intéressent aux technologies émergentes, il sera essentiel de surveiller l'utilisation des GPU et de leurs successeurs dans des systèmes tels que les réseaux d'apprentissage profond et les configurations informatiques quantiques. De nombreux experts diraient que ces deux éléments sont à leurs balbutiements et arriveront à maturité et donneront des résultats dans les années à venir.
