4 просмотров

Что я считаю ноутбуком для машинного обучения

Многие исследователи слышали об огромных аппаратных кластерах, которые компании используют для машинного обучения и ИИ. Когда вы начинаете и даже начинаете выполнять более масштабные проекты, вам действительно нужно отойти от своего рабочего ноутбука?

В наши дни большинство людей используют ноутбуки в качестве аппаратного обеспечения. Настольные компьютеры — это неуклюжие аппаратные средства, которые используются только людьми, занимающимися числовыми операциями или обработкой изображений, а также геймерами, поэтому они стали очень нишевыми. Тем не менее, многие люди владеют ноутбуками либо сами, либо через работу. У меня было несколько друзей, которые спрашивали меня, могут ли они купить новый Macbook M1 или им нужны ноутбуки за 3000 долларов, чтобы заняться наукой о данных.

Итак, новый Apple, а?

Исторически яблоки продавались «креативистам». Но в своей последней итерации на Macbook Apple усилила свою игру. Все, кто работал с аппаратным обеспечением, нервничали, когда Apple купила ARM и отказалась от Intel из-за совместимости. Тем не менее, с ноутбуками M1 они также сразу же публикуют версию популярной платформы глубокого обучения Tensorflow от Google!

Сумасшествие в том, что у меня никогда не было продукта Apple, и я впечатлен его исполнением. Раньше моим друзьям и коллегам, владеющим Mac, приходилось покупать дорогие внешние графические процессоры для запуска симуляций, а теперь это! Но это касается не только компьютеров Mac. Давайте посмотрим на само машинное обучение, потому что не все машинное обучение — это глубокие нейронные сети. Ваш Macbook 2016 года может по-прежнему подходить для запуска многих приложений машинного обучения. И лучшая часть? Если их уже недостаточно, вы все еще можете арендовать инстанс в облаке за несколько долларов во время обучения!

Статья в тему:  Какова доля рынка искусственного интеллекта

Аппаратные соображения для машинного обучения

Давайте быстро поговорим о компьютерном оборудовании. Компьютеры состоят из некоторых основных частей, необходимых для выполнения компьютерных задач. Для численной работы, о которой мы говорим, нас в первую очередь интересуют три вещи. Центральный процессор — это мозг компьютера. Он позволяет выполнять сложные задачи и вычисления и запускает все имеющиеся у вас программы. ЦП тесно взаимодействует со специальной памятью, называемой ОЗУ, которая очень похожа на кратковременную память у людей. В отличие от обычных жестких дисков, которые намного медленнее, но идеально подходят для длительного хранения информации.

Тогда есть графический процессор или GPU. Графические процессоры со временем разрабатывались, чтобы сделать игры более реалистичными, но поскольку 3D-графика — это, по сути, просто набор линейной алгебры и матричных вычислений, люди постепенно поняли, что с их помощью можно выполнять и научные вычисления. Эти графические процессоры действительно хороши в одном и только в одном: бросать кучу матриц друг в друга. Эти графические процессоры часто имеют выделенную память, часто называемую VRAM, даже быстрее и даже меньше, чем RAM вашего процессора.

Многие ноутбуки, особенно офисные ноутбуки для работы, имеют только процессор и так называемую встроенную графику. Они могут играть в Netflix и Youtube, но обычно не работают, когда вы хотите запустить любую 3D-игру. Это очень быстро становится действительно конкретным, но вам вообще нужен графический процессор?

Статья в тему:  Сколько будет стоить искоренение голода в мире к 2021 году

Нет, наверное, нет. Большая часть машинного обучения выполняется на обычном процессоре, который есть на каждом ноутбуке. Таким образом, вы сможете обучать самые простые модели в scikit-learn даже на своем телефоне.

Процессор решает, как быстро обучается ваша модель, и обычно это не имеет значения. В любом случае время обучения модели относительно короткое; ограничивающим фактором на вашем ноутбуке является оперативная память. Есть только несколько классических методов машинного обучения, которые можно обучать итеративно, передавая им весь набор данных по частям, и ни один из них не является тем, который я обычно использую при решении любой проблемы, такой как машины опорных векторов или случайные леса.Конечно, есть некоторые хитрости, но в основном вам нужно поместить все данные И вашу модель в память (также называемую ОЗУ) ноутбука. На более мелких проблемах этим также можно пренебречь. Тем не менее, некоторые задачи, над которыми я сейчас работаю, требуют миллионов точек данных. В этом масштабе я потребляю сотни ГБ данных. По моему опыту, для классического машинного обучения вы должны отдавать приоритет оперативной памяти, а затем процессору или графическому процессору.

Особенно на офисных компьютерах объем оперативной памяти может составлять всего 4 ГБ (в этот момент открытие файлов Excel может стать ужасом). Этот ноутбук быстро исчерпает возможности для решения вашей задачи. Но, по сути, вы должны иметь возможность проверять свой код для машинного обучения на любой старой машине с достаточным объемом памяти и часто даже обучать модели за разумное время. Случайные леса, например, популярны, потому что они также очень быстро обучаются.

Статья в тему:  и, кроме того, назвать тех, кто находится у ведущей точки, в честь греческих воинов, а тех, кто находится у задней точки, - в честь троянских воинов. За исключением двух уже присвоенных «неуместных» имен (Гектор, одинокий троянец в греческом лагере, и Патрокл, одинокий грек в троянском лагере), эта традиция сохранилась.

Вы можете переключить классическое машинное обучение на графический процессор с помощью Nvidia Rapids cuML, который, по сути, основан на обучении на графическом процессоре. Это значительно ускоряет обработку, но ставит вас перед некоторыми аналогичными проблемами, связанными с объемом памяти на карте графического процессора. Однако давайте будем честными: если вы хотите обучить модель глубокого обучения, вам определенно нужен графический процессор Nvidia на вашем ноутбуке или настольном ПК.

Причины против запуска Deep Learning на вашем Beefy PC

Нет.

Я больше не сторонник запуска глубокого обучения на локальном оборудовании. Выполнение достаточно большой задачи глубокого обучения на вашем основном ПК обычно блокирует всю машину. Открытие даже небольших программ на том же компьютере может быть затруднительным, каким бы мощным оно ни было. Модели глубокого обучения тренируются часами или даже неделями, когда ваша машина практически не используется при значительном энергопотреблении.

Где сила, там и тепло! Обучение моделей глубокого обучения в течение длительных периодов времени может стать довольно жарким. Если вы похожи на меня во время пандемии, большая часть моей работы выполняется на диване, несмотря на то, что у меня есть потрясающий стол с экранами и всем остальным.Обучение может сделать машину немного более подрумяненной, чем вы бы предпочли. Игровые ноутбуки с выделенными графическими картами Nvidia подходят для такого рода тренировок, и Macbook M1 тоже подойдет. Игровые ноутбуки печально известны тем, что не вызывают особого дискомфорта при игре в тяжелые игры или тренировочные модели в течение длительного времени, что следует учитывать.

Статья в тему:  Как океанские течения влияют на парниковый эффект

Моя рекомендация

Вы можете полностью обучать модели машинного обучения на ноутбуках или даже на своем телефоне. Глубокое обучение немного сложнее, но также становится гораздо более распространенным явлением с принятием Apple чипа M1.

Для машинного обучения для науки я лично рекомендую получить разумный рабочий компьютер с достаточным количеством оперативной памяти и приличным процессором, но оставить глубокое обучение для выделенных машин или облака. Попытайся

Попробуйте обучить модель на своем ноутбуке!

голоса
Рейтинг статьи
Ссылка на основную публикацию
Статьи c упоминанием слов:

0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x