Contenido
Presentado por: AltaML
Q:
¿Por qué son importantes las unidades de procesamiento de gráficos (GPU) para el aprendizaje profundo?
UNA:
El uso de unidades de procesamiento de gráficos (GPU) tiene una importancia particular para el campo del aprendizaje profundo. La razón tiene que ver con la forma en que se configuran los sistemas de aprendizaje profundo y con lo que están destinados a hacer.
Los expertos definen el aprendizaje profundo como un tipo de aprendizaje automático en el que los algoritmos usan múltiples capas para el análisis progresivo de datos.
Algunos citan ejemplos particulares, como las redes neuronales convolucionales (CNN) con sus diversas capas que implican la agrupación máxima, el filtrado, el relleno, el paso y otras tareas.
En un sentido más amplio, cosas como el procesamiento de imágenes y el procesamiento del lenguaje natural dependen de procedimientos de múltiples pasos y algoritmos múltiples, muchos de los cuales se asemejan a las redes neuronales que los profesionales de aprendizaje automático aprenden a identificar y analizar.
Como hemos señalado en un artículo anterior, las GPU generalmente se valoran en el aprendizaje automático, debido a su capacidad de procesamiento paralelo. A medida que avanzaba el aprendizaje automático, el mundo del hardware también progresaba desde la idea de un núcleo de CPU fuerte individual a múltiples unidades con procesamiento paralelo que puede manejar más adecuadamente grandes cantidades de trabajo computacional rápidamente.
Con sistemas de aprendizaje profundo que abarcan modelos generativos de nivel superior, como redes de creencias profundas, máquinas de Boltzmann y sistemas de estado de eco, existe una necesidad específica de procesamiento paralelo y diseño de núcleo especializado. Se podría decir que el uso de GPU es algo similar al uso de las máquinas RISC avanzadas en algunos otros tipos de procesamiento: que la personalización de chips para un uso particular tiene mucho sentido.
Además de la utilidad de las GPU para el aprendizaje profundo, también verá que estos mismos tipos de procesadores se vuelven populares en los movimientos hacia un cambio fundamental en la estructura informática conocida como computación cuántica.
Una vez más, es la complejidad y el orden de alto nivel de la potencia informática lo que requiere la capacidad de procesamiento paralelo. En la computación cuántica, los bits tradicionales se reemplazan por qubits, que pueden tener un valor de 1, 0 o una combinación no especificada. Este tipo de "bit de Schroedinger" forma la base de un modelo informático que puede cambiar el mundo de las TI.
Para aquellos interesados en las tecnologías emergentes, será clave observar el uso de GPU y sus sucesores en sistemas como redes de aprendizaje profundo y configuraciones de computación cuántica. Estos dos, muchos expertos dirían, están en su infancia y madurarán y traerán resultados en los próximos años.
