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(jī)器學(xué)習(xí)愛好者都將在某個(gè)時(shí)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(shí)，使用較小的訓(xùn)練集花費(fèi)數(shù)分鐘的任務(wù)現(xiàn)在可能需要花費(fèi)更多的時(shí)間(在某些情況下是幾周)。

那什么是GPU？它們?nèi)绾闻cCPU相抗衡？我的深度學(xué)習(xí)項(xiàng)目需要一個(gè)嗎？

如果您曾經(jīng)問(wèn)??過(guò)自己這些問(wèn)題，請(qǐng)繼續(xù)閱讀...

任何數(shù)據(jù)科學(xué)家或機(jī)器學(xué)習(xí)狂熱者一生中至少會(huì)聽說(shuō)，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(jiǎn)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(yùn)行執(zhí)行。這創(chuàng)造了圍繞深度學(xué)習(xí)的話題，為初學(xué)者創(chuàng)建了障礙。

我在過(guò)去幾年中提到的每本書都總是提到以下內(nèi)容：深度學(xué)習(xí)需要大量的計(jì)算能力才能繼續(xù)運(yùn)行。

但我沒有數(shù)據(jù)中心在我的命令，當(dāng)我建立我的第一個(gè)深度學(xué)習(xí)模型在一個(gè)相當(dāng)大的筆記本電腦，我知道，達(dá)成的共識(shí)是要么錯(cuò)誤或描繪一些道理。

為什么我們需要更多的硬件來(lái)進(jìn)行深度學(xué)習(xí)？

對(duì)于任何神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，深度學(xué)習(xí)模型的訓(xùn)練階段都是最耗費(fèi)資源的任務(wù)

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

這兩個(gè)運(yùn)算本質(zhì)上都是矩陣乘法。下圖可以表示一個(gè)簡(jiǎn)單的矩陣乘法

在神經(jīng)網(wǎng)絡(luò)中，我們可以將第一個(gè)數(shù)組作為神經(jīng)網(wǎng)絡(luò)的輸入，而第二個(gè)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(gè)參數(shù)。一臺(tái)計(jì)算機(jī)仍將能夠在幾分鐘甚至最多幾小時(shí)內(nèi)處理完這一問(wèn)題。

但是，如果您的神經(jīng)網(wǎng)絡(luò)具有超過(guò)100億個(gè)參數(shù)，該怎么辦？采用傳統(tǒng)方法來(lái)訓(xùn)練這種系統(tǒng)將需要數(shù)年時(shí)間。您的計(jì)算機(jī)可能甚至在十分之一之前就放棄了。

“一個(gè)采用搜索輸入并根據(jù)1億個(gè)輸出或產(chǎn)品進(jìn)行預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)，通常每個(gè)產(chǎn)品約有2,000個(gè)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(gè)參數(shù)。而且我還沒有做任何復(fù)雜的事情。我說(shuō)的是一個(gè)非常非常簡(jiǎn)單的簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)模型。” —博士 萊斯大學(xué)學(xué)生

如何使深度學(xué)習(xí)模型訓(xùn)練更快

深度學(xué)習(xí)模型可以被訓(xùn)練通過(guò)簡(jiǎn)單地在運(yùn)行的所有操作變得更快同一時(shí)間，而不是一個(gè)接一個(gè)。

您可以通過(guò)使用GPU訓(xùn)練模型來(lái)實(shí)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(huì)執(zhí)行渲染圖形所需的浮點(diǎn)運(yùn)算。

換句話說(shuō)，它是用于大量圖形和數(shù)學(xué)計(jì)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(duì)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(wèn)題，但GPU是專為計(jì)算機(jī)游戲的專用圖形渲染而設(shè)計(jì)的，后來(lái)經(jīng)過(guò)增強(qiáng)以加速其他幾何計(jì)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)。

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(shí)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)速度較慢，但??可以在一圈內(nèi)獲取大量?jī)?nèi)存(約20位乘客)。

為什么選擇GPU進(jìn)行深度學(xué)習(xí)

GPU經(jīng)過(guò)優(yōu)化，可訓(xùn)練人工智能和深度學(xué)習(xí)模型，因?yàn)樗鼈兛梢酝瑫r(shí)處理多個(gè)計(jì)算。

它們具有大量?jī)?nèi)核，可以更好地計(jì)算多個(gè)并行進(jìn)程。此外，深度學(xué)習(xí)中的計(jì)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(lái)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(jì)算速度的主要原因之一。對(duì)于大型數(shù)據(jù)集，CPU在訓(xùn)練模型時(shí)會(huì)占用大量?jī)?nèi)存。

計(jì)算龐大而復(fù)雜的作業(yè)需要占用CPU大量的時(shí)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(dú)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)。

隨時(shí)間比較CPU和GPU的帶寬

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(jì)算操作。為了有效地計(jì)算數(shù)據(jù)，GPU是最佳選擇。計(jì)算量越大，GPU相對(duì)于CPU的優(yōu)勢(shì)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(gè)GPU內(nèi)核強(qiáng)大。

每個(gè)CPU內(nèi)核可以執(zhí)行不同的指令(MIMD架構(gòu))，而通常組織在32個(gè)內(nèi)核的塊中的GPU內(nèi)核在給定的時(shí)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(shí)現(xiàn)復(fù)雜的優(yōu)化技術(shù)。

我應(yīng)該使用GPU嗎？

與任何數(shù)據(jù)科學(xué)項(xiàng)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(duì)較小，那么無(wú)需GPU就可以解決問(wèn)題

如果您的神經(jīng)網(wǎng)絡(luò)涉及大量涉及數(shù)十萬(wàn)個(gè)參數(shù)的計(jì)算，那么您可能要考慮投資購(gòu)買GPU

通常，GPU是進(jìn)行快速機(jī)器學(xué)習(xí)的更安全的選擇，因?yàn)閺谋举|(zhì)上講，數(shù)據(jù)科學(xué)模型訓(xùn)練由簡(jiǎn)單的矩陣數(shù)學(xué)計(jì)算組成，如果并行執(zhí)行計(jì)算，則其速度可能會(huì)大大提高。

Cloud GPU實(shí)例

您還應(yīng)該考慮Cloud GPU。如果您不想購(gòu)買一堆昂貴的GPU，則可以與云托管公司一起按需利用GPU。它們將使您免于配置硬件的麻煩，最重要的是，它們并不那么昂貴-使用時(shí)的成本可以低至每小時(shí)0.25美元。

您將租用一臺(tái)外國(guó)計(jì)算機(jī)/服務(wù)器，而不是自己運(yùn)行。僅僅關(guān)閉瀏覽器或關(guān)閉PC是不夠的，它們僅會(huì)切斷設(shè)備與該遠(yuǎn)程服務(wù)器之間的連接，而不會(huì)關(guān)閉您要付費(fèi)的東西。否則，您將需要支付所有費(fèi)用，并且會(huì)收到討厭的賬單！

CPU最擅長(zhǎng)順序處理單個(gè)更復(fù)雜的計(jì)算，而GPU更擅長(zhǎng)并行處理多個(gè)但更簡(jiǎn)單的計(jì)算。

GPU計(jì)算實(shí)例的成本通常是CPU計(jì)算實(shí)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，否則我建議使用CPU。

總結(jié)

以上是生活随笔為你收集整理的深度学习 占用gpu内存 使用率为0_你了解GPU吗？为什么说深度学习需要GPU？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。