在深度學(xué)習(xí)中，似乎每個人都建議使用GPU。 它是什么，沒有一個，您能做得到嗎？它的確切對象是誰？

> Photo by Florian Krumm on Unsplash

任何試圖大規(guī)模推廣訓(xùn)練模型性能的數(shù)據(jù)科學(xué)家或機器學(xué)習(xí)愛好者都將在某個時候達(dá)到頂峰，并開始經(jīng)歷不同程度的處理滯后。 當(dāng)數(shù)據(jù)集變得更大時，使用較小的訓(xùn)練集花費數(shù)分鐘的任務(wù)現(xiàn)在可能需要花費更多的時間（在某些情況下是幾周）。

但是什么是GPU？ 它們?nèi)绾闻cCPU相抗衡？ 我的深度學(xué)習(xí)項目需要一個嗎？

如果您曾經(jīng)問過自己這些問題，請繼續(xù)閱讀…

為什么選擇GPU進(jìn)行深度學(xué)習(xí)

GPU經(jīng)過優(yōu)化，可訓(xùn)練人工智能和深度學(xué)習(xí)模型，因為它們可以同時處理多個計算。

它們具有大量內(nèi)核，可以更好地計算多個并行進(jìn)程。 此外，深度學(xué)習(xí)中的計算需要處理大量數(shù)據(jù)-這使GPU的內(nèi)存帶寬最合適。

有一些決定性參數(shù)可以確定是使用CPU還是GPU來訓(xùn)練深度學(xué)習(xí)模型：

內(nèi)存帶寬：

帶寬是GPU比CPU更快的計算速度的主要原因之一。 對于大型數(shù)據(jù)集，CPU在訓(xùn)練模型時會占用大量內(nèi)存。

計算龐大而復(fù)雜的作業(yè)需要占用CPU大量的時鐘周期-CPU依次處理作業(yè)，并且內(nèi)核數(shù)量少于同類GPU。

另一方面，獨立的GPU帶有專用的VRAM（視頻RAM）內(nèi)存。 因此，CPU的內(nèi)存可用于其他任務(wù)。

> Comparison of bandwidth for CPUs and GPUs over time

數(shù)據(jù)集大小

在深度學(xué)習(xí)中訓(xùn)練模型需要大量的數(shù)據(jù)集，因此在內(nèi)存方面需要大量的計算操作。 為了有效地計算數(shù)據(jù)，GPU是最佳選擇。 計算量越大，GPU相對于CPU的優(yōu)勢就越大。

優(yōu)化

在CPU中優(yōu)化任務(wù)要容易得多。 盡管CPU內(nèi)核數(shù)量較少，但功能卻比數(shù)千個GPU內(nèi)核強大。

每個CPU內(nèi)核可以執(zhí)行不同的指令（MIMD架構(gòu)），而通常在32個內(nèi)核的塊內(nèi)組織的GPU內(nèi)核在給定的時間并行執(zhí)行同一條指令（SIMD架構(gòu)）。

鑒于需要付出的努力，密集神經(jīng)網(wǎng)絡(luò)中的并行化非常困難。 因此，與在CPU中相比，在GPU中難以實現(xiàn)復(fù)雜的優(yōu)化技術(shù)。

為什么我們需要更多的硬件來進(jìn)行深度學(xué)習(xí)？

對于任何神經(jīng)網(wǎng)絡(luò)來說，深度學(xué)習(xí)模型的訓(xùn)練階段都是最耗費資源的任務(wù)

在訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)會接受輸入，然后使用在訓(xùn)練過程中調(diào)整的權(quán)重在隱藏層中對其進(jìn)行處理，然后模型發(fā)出預(yù)測。 調(diào)整權(quán)重以找到模式，以便做出更好的預(yù)測。

這兩個運算本質(zhì)上都是矩陣乘法。 下圖可以表示一個簡單的矩陣乘法

> Source: jeremyjordan.me

在神經(jīng)網(wǎng)絡(luò)中，我們可以將第一個數(shù)組作為神經(jīng)網(wǎng)絡(luò)的輸入，而第二個數(shù)組則形成其權(quán)重。

容易吧？

是的，如果您的神經(jīng)網(wǎng)絡(luò)具有大約10、100甚至100,000個參數(shù)。 一臺計算機仍將能夠在幾分鐘甚至最多幾小時內(nèi)處理完這一問題。

但是，如果您的神經(jīng)網(wǎng)絡(luò)具有超過100億個參數(shù)，該怎么辦？ 采用傳統(tǒng)方法來訓(xùn)練這種系統(tǒng)將需要數(shù)年時間。 您的計算機可能會在十分之一之前就放棄了。

"一個采用搜索輸入并根據(jù)1億個輸出或產(chǎn)品進(jìn)行預(yù)測的神經(jīng)網(wǎng)絡(luò)，通常每個產(chǎn)品約有2,000個參數(shù)。 因此，將它們相乘，神經(jīng)網(wǎng)絡(luò)的最后一層現(xiàn)在是2000億個參數(shù)。 而且我還沒有做任何復(fù)雜的事情。 我說的是一個非常非常簡單的簡單神經(jīng)網(wǎng)絡(luò)模型。" —博士 萊斯大學(xué)學(xué)生

使深度學(xué)習(xí)模型訓(xùn)練更快

通過簡單地同時運行所有操作，而不是一個接一個地運行，可以更快地訓(xùn)練深度學(xué)習(xí)模型。

您可以通過使用GPU訓(xùn)練模型來實現(xiàn)。

GPU（圖形處理單元）是具有專用內(nèi)存的專用處理器，通常會執(zhí)行渲染圖形所需的浮點運算

換句話說，它是用于大量圖形和數(shù)學(xué)計算的單芯片處理器，從而釋放了CPU周期用于其他作業(yè)。

GPU和CPU之間的主要區(qū)別在于，與CPU相比，GPU按比例分配了更多的晶體管用于算術(shù)邏輯單元，而減少了對高速緩存和流控制的投入。

盡管CPU最適用于需要解析或解釋代碼中復(fù)雜邏輯的問題，但GPU是專為計算機游戲的專用圖形渲染而設(shè)計的，后來經(jīng)過增強以加速其他幾何計算（例如，變換多邊形或旋轉(zhuǎn)垂直線） 進(jìn)入不同的坐標(biāo)系（如3D）。

GPU小于CPU，但與后者相比，GPU往往具有更多的邏輯核心（算術(shù)邏輯單元或ALU，控制單元和內(nèi)存緩存）。

> Source: fast.ai

在上表中，您可以看到GPU（紅色/綠色）理論上可以完成CPU（藍(lán)色）的操作的10–15倍。 這種加速也非常適用于實踐。

如果您將CPU視為瑪莎拉蒂，那么GPU可以算是一輛大卡車。

CPU（瑪莎拉蒂）可以在RAM中快速獲取少量包裹（3-4位乘客），而GPU（卡車）則較慢，但可以在一圈內(nèi)獲取大量內(nèi)存（約20位乘客）。

我應(yīng)該使用GPU嗎？

與任何數(shù)據(jù)科學(xué)項目一樣，這取決于。 在速度，可靠性和成本之間需要權(quán)衡考慮：

· 如果您的神經(jīng)網(wǎng)絡(luò)規(guī)模相對較小，那么無需GPU就可以解決問題

· 如果您的神經(jīng)網(wǎng)絡(luò)涉及大量涉及數(shù)十萬個參數(shù)的計算，那么您可能要考慮投資購買GPU

通常，GPU是快速機器學(xué)習(xí)的安全選擇，因為從本質(zhì)上講，數(shù)據(jù)科學(xué)模型訓(xùn)練由簡單的矩陣數(shù)學(xué)計算組成，如果并行進(jìn)行計算，則其速度可能會大大提高。

請參閱有關(guān)最佳GPU進(jìn)行深度學(xué)習(xí)投資的Reddit帖子

Cloud GPU實例

您還應(yīng)該考慮Cloud GPU。 如果您不想購買大量昂貴的GPU，則可以與云托管公司按需利用GPU。 它們可讓您免去配置硬件的麻煩，而最重要的是，它們并不那么昂貴-使用時每小時的成本低至0.25美元。

完成后，請記住關(guān)閉云實例。

您將租用一臺外國計算機/服務(wù)器，而不是自己運行。 僅關(guān)閉瀏覽器或關(guān)閉PC是不夠的，它們僅會切斷設(shè)備與該遠(yuǎn)程服務(wù)器之間的連接，而不會關(guān)閉您要付費的東西。 否則，系統(tǒng)會一直向您收取費用，并且會產(chǎn)生令人討厭的帳單！

任何數(shù)據(jù)科學(xué)家或機器學(xué)習(xí)狂熱者一生中至少會聽說，深度學(xué)習(xí)需要大量硬件。 有些人在筆記本電腦上訓(xùn)練了簡單的深度學(xué)習(xí)模型幾天（通常沒有GPU），這導(dǎo)致深度學(xué)習(xí)需要大型系統(tǒng)才能運行執(zhí)行。

這創(chuàng)造了圍繞深度學(xué)習(xí)的神話，為初學(xué)者創(chuàng)建了障礙。

我在過去幾年中提到的每本書都提到了以下內(nèi)容：

深度學(xué)習(xí)需要大量的計算能力才能繼續(xù)運行。

但是我沒有數(shù)據(jù)中心，當(dāng)我在相當(dāng)大的筆記本電腦上建立第一個深度學(xué)習(xí)模型時，我知道共識要么是錯誤的，要么是真實的。

您無需接管Google即可成為深度學(xué)習(xí)專家。

CPU最擅長順序處理單個更復(fù)雜的計算，而GPU更擅長并行處理多個但更簡單的計算。

GPU計算實例的成本通常是CPU計算實例的2-3倍，因此，除非您在基于GPU的訓(xùn)練模型中看到2-3倍的性能提升，否則建議使用CPU。

> Photo by Alex Knight on Unsplash

與往常一樣，非常感謝您的閱讀！ 請在評論中告訴我您的想法或想寫的內(nèi)容。 我也很容易受到批評！

下篇再見！

(本文翻譯自Jason Dsouza的文章《What is a GPU and do you need one in Deep Learning?》，參考：https://towardsdatascience.com/what-is-a-gpu-and-do-you-need-one-in-deep-learning-8a323476e109)