2015-09-06 15 views
8

मैं एआई में एक छात्र हूं जो इस साल पायलर और थेनो (मैं मशाल और कैफी भी कोशिश कर सकता हूं) के साथ बहुत काम करने जा रहा हूं, और न्यूरल नेट्स को लागू करने के लिए, और मैं हूं इस मामले के लिए एक लैपटॉप खरीदने के बारे में। मैं इस मामले के आपके अनुभव के आधार पर आपकी सहायता करना चाहता हूं।सीपीयू बनाम जीपीयू (रूपांतरण) तंत्रिका नेटवर्क गणना के लिए

मेरे पास कोई बड़ा बजट नहीं है इसलिए मैं बहुत अधिक खर्च नहीं कर सकता। मैं दो या तीन सरल प्रश्न हैं:

जो इस तरह के थेनो, मशाल के रूप में पुस्तकालयों के लिए सबसे अच्छा समर्थित है, Caffe: अति या NVIDIA? क्या कोई भी पर जीपीयू कंप्यूटिंग करने का प्रयास करता है Geforce 740M 820M 840M ऐसा कुछ? और यह सीपीयू बेहतर है? या अगर मैं एक बड़ा जीपीयू बर्दाश्त नहीं कर सकता, तो क्या यह (सस्ते) कार्ड के बजाय एक अच्छा i7 वाला लैपटॉप खरीदने के लिए बेहतर है?

अपने समय के लिए धन्यवाद,

+3

यदि आप लैपटॉप पर जोर देते हैं, तो एक सस्ता प्राप्त करें और अपने कंप्यूटेशंस के लिए अमेज़ॅन स्पॉट उदाहरणों का उपयोग करें। एक छोटा लैपटॉप जीपीयू आपको गहरी शिक्षा में बहुत दूर नहीं ले जाएगा। – aleju

+0

हां, मुझे लगता है कि यह एक अच्छा निष्कर्ष है। मैं डेस्कटॉप वर्कस्टेशन और एसएसएच का निर्माण कर सकता हूं। – Sam

उत्तर

15

तो आपकी प्रतिक्रियाओं को पढ़ने के बाद, और कुछ ब्लॉग पोस्ट, मेरा निष्कर्ष यह है: लैपटॉप को गहरी शिक्षा के लिए अपना मुख्य वर्कस्टेशन बनाने की कोशिश न करें! यह बहुत महंगा है: आप केवल एक लैपटॉप कॉन्फ़िगरेशन के लिए हजारों डॉलर खर्च करेंगे जो डेस्कटॉप के लिए सैकड़ों खर्च कर सकता है। और कम महंगा इसके लायक नहीं है।

मुझे लगता है कि मैं एक 13 "लैपटॉप खरीद सकते हैं और एक मजबूत डेस्कटॉप का निर्माण शुरू करने जा रहा हूँ, तो मैं यह करने के लिए एक ssh पहुँच बनाने चाहते हैं।

इन दो लिंक GPU पर एक अच्छी समझ होने के लिए महान हैं चुनाव।

http://timdettmers.com/2017/04/09/which-gpu-for-deep-learning/

https://www.linkedin.com/pulse/20141013042457-89310056-which-gpu-to-use-for-deep-learning

आप सभी धन्यवाद!

+0

अरे आदमी, मुझे गहरे तंत्रिका जाल प्रशिक्षण के बारे में कुछ सवाल थे? – hashcode55

3

अपने पहले प्रश्न का सवाल है, मैं एनएन लागू करने के लिए इन पुस्तकालयों के बारे में पता नहीं है। लेकिन अगर आपने ऑक्टेट/मैटलैब जैसे कुछ इस्तेमाल किए हैं, तो दोनों में एनएन के लिए पुस्तकालय हैं जो एनएनएस प्रशिक्षण के लिए सीयूडीए का उपयोग करते हैं। जीपीयू बनाम सीपीयू .... सामान्य रूप से एनएन और मशीन सीखने के कार्यान्वयन वैक्टर/मैट्रिस और मैट्रिक्स ऑपरेशंस जैसे गुणा/अतिरिक्त..एटीसी पर आधारित है। जब मैट्रिक्स परिचालन की बात आती है, तो आप दो बार नहीं सोचते हैं, आप हमेशा जीपीयू चुनते हैं। मैट्रिक्स ऑपरेशन एकल निर्देश एकाधिक डेटा ऑपरेशंस हैं जो GPUs का भारी उपयोग करते हैं। असल में, यह एक ही ऑपरेशन (जो आमतौर पर एक साधारण होता है) स्वतंत्र रूप से डेटा की भारी मात्रा में निष्पादित होता है। आपको एक बहुत ही उन्नत जीपीयू की आवश्यकता नहीं है। मैंने अपनी पुरानी मैकबुक पर 320 जीटीएक्स का इस्तेमाल किया और यह काफी अच्छा था (मुझे लगता है कि आप एक छात्र हैं और अवधारणा या अकादमिक परियोजनाओं का सबूत लागू करेंगे, न कि उद्योग स्तर परियोजना)।

+0

आपके उत्तर मोस्टाफा के लिए धन्यवाद। समस्या जो मैंने यहां पढ़ी है, उससे https://timdettmers.wordpress.com/2014/08/14/which-gpu-for-deep-learning/ सबसे आवश्यक विशेषताओं में से एक जीबी/एस बैंडविड्थ है। और "एम श्रृंखला" उस पर बहुत कम है, यहां तक ​​कि बैंडविड्थ gtwidth बहुत महत्वपूर्ण है, gt 320 – Sam

+1

से भी कम है। इसका कारण यह है कि, यदि आप अधिकतम थ्रूपुट प्राप्त करने के लिए जीपीयू पर अपने कंप्यूटेशंस को समानांतर बना सकते हैं, तो इससे कोई फर्क नहीं पड़ता कि आप इन परिणामों को जीपीयू से वापस स्थानांतरित नहीं कर सकते हैं (समझना चाहिए कि मेजबान के बीच डेटा स्थानांतरण कैसे किया जाता है और डिवाइस अगर आप CUDA प्रोग्रामिंग के बारे में जानते हैं)। लेकिन फिर मैंने जो कहा, उससे अप्रासंगिक है, मूल रूप से, मैट्रिक्स परिचालनों पर निर्भर होने वाले अधिकांश सीखने वाले एल्गोरिदम और मैट्रिक्स पर संचालन की डेटा स्वतंत्रता के कारण यह आमतौर पर एक सीपीयू की तुलना में जीपीयू पर बेहतर होगा। – mkmostafa

0

मशीन ली रिंग ऑपरेशंस आमतौर पर मैट्रिक्स-मैट्रिक्स गुणाओं में कम हो जाते हैं। वर्तमान में, मैट्रिक्स-मैट्रिक्स गुणा CPUs की तुलना में GPUs पर बहुत ही कुशल हैं क्योंकि GPUs में CPUs की तुलना में अधिक थ्रेड हैं। इसके अलावा, एनवीआईडीआईए ने कई वर्षों तक सीयूडीए टूलकिट के लिए समर्थन किया है। मंच अब परिपक्व है। कई डीएल पुस्तकालय (उदाहरण के लिए, कैफे, थेनो, मशाल, टेंसरफ्लो) बीएलएएस (मूल रैखिक बीजगणित सबराउटिन) और डीएनएन (गहरे तंत्रिका नेटवर्क) पुस्तकालयों के लिए सीयूडीए समर्थन का शोषण कर रहे हैं। गहरी शिक्षा पुस्तकालय डेवलपर्स को मैट्रिक्स-मैट्रिक्स गुणाओं को अनुकूलित करने के लिए महत्वपूर्ण समय नहीं देना पड़ेगा।

इसके अलावा, ऐसा लगता है कि कुछ संचालन (मैट्रिक्स-मैट्रिक्स ऑपरेशंस) में जीपीयू के समान स्तर के लिए सीपीयू कोड को अनुकूलित करना बहुत कठिन है (जिसे हम निंजा अनुकूलन कहते हैं)। दूसरों के अनुभव के बारे में बेहतर प्रशंसा के लिए, कृपया https://github.com/BVLC/caffe/pull/439 पर चर्चाएं देखें।

संबंधित मुद्दे