مع تقدم التكنولوجيا والمزيد من المنظمات التي تنفذ عمليات التعلم الآلي (MLOps) ، يبحث الناس عن طرق لتسريع العمليات. قرر فريق الذكاء الاصطناعي في MobiDev النظر في مزايا وعيوب وحدات المعالجة الرسومية المحلية مقابل وحدات المعالجة الرسومية السحابية (GPU).
خيارات GPU في مكان العمل للتعلم العميق
عند استخدام وحدات معالجة الرسومات للتطبيقات المحلية ، لديك خيارات متعددة للموردين. خياران شائعان هما NVIDIA و AMD.
يعد NVIDIA خيارًا شائعًا على الأقل جزئيًا بسبب المكتبات التي يوفرها ، والمعروفة باسم مجموعة أدوات CUDA. تتيح هذه المكتبات سهولة إنشاء عمليات التعلم العميق وتشكل قاعدة لمجتمع تعلم آلي قوي باستخدام منتجات NVIDIA. يمكن ملاحظة ذلك في الدعم الواسع الذي توفره العديد من مكتبات وأطر عمل DL لأجهزة NVIDIA. الجانب السلبي لـ NVIDIA هو أنه قد وضع قيودًا مؤخرًا على وقت استخدام CUDA. تتطلب هذه القيود استخدام المكتبات فقط مع وحدات معالجة رسومات Tesla ولا يمكن استخدامها مع أجهزة RTX أو GTX الأقل تكلفة.
توفر AMD مكتبات ، تُعرف باسم جمهورية الصين. يتم دعم هذه المكتبات بواسطة TensorFlow و PyTorch بالإضافة إلى جميع بنيات الشبكات الرئيسية. ومع ذلك ، فإن الدعم لتطوير شبكات جديدة محدود وكذلك دعم المجتمع.
الحوسبة السحابية مع وحدات معالجة الرسومات
يمكن أن توفر موارد السحابة وصولاً مدفوعًا مقابل الاستخدام إلى وحدات معالجة الرسومات جنبًا إلى جنب مع خدمات التعلم الآلي المحسّنة. يقدم جميع الموفرين الرئيسيين الثلاثة موارد GPU جنبًا إلى جنب مع مجموعة من خيارات التكوين - Microsoft Azure و AWS (Amazon Web Services) و سحابة جوجل.
تمنح Microsoft Azure أ مجموعة متنوعة من خيارات المثيل للوصول إلى GPU. تم تحسين هذه الحالات لمهام حسابية عالية ، بما في ذلك التصور والمحاكاة والتعلم العميق.
في AWS ، يمكنك الاختيار من بين أربعة خيارات مختلفة ، لكل منها ملف مجموعة متنوعة من أحجام المثيل. تتضمن الخيارات مثيلات EC2 P3 و P2 و G4 و G3. تتيح لك هذه الخيارات الاختيار بين وحدات معالجة الرسومات NVIDIA Tesla V100 أو K80 أو T4 Tensor أو M60. يمكنك توسيع نطاق يصل إلى 16 وحدة معالجة رسومات اعتمادًا على المثيل.
بدلاً من مثيلات GPU المخصصة ، يمكّنك Google Cloud من إرفاق وحدات معالجة الرسومات بالمثيلات الحالية. Evgeniy Krasnokutsky ، مهندس حلول AI / ML في موبيديف يفسر: "على سبيل المثال ، إذا كنت تستخدم محرك Google Kubernetes ، فيمكنك إنشاء مجموعات عقدة مع إمكانية الوصول إلى مجموعة من وحدات معالجة الرسومات. وتشمل هذه وحدات معالجة الرسومات NVIDIA Tesla K80 و P100 و P4 و V100 و T4."
ما هو أفضل GPU لمهام التعلم العميق في عام 2021؟
عندما يحين الوقت لاختيار البنية التحتية الخاصة بك ، عليك أن تقرر بين نهج محلي ونهج سحابي. يمكن لموارد السحابة أن تقلل بشكل كبير من الحاجز المالي لبناء بنية تحتية للتخلص من الألغام.
في المقابل ، تعتبر البنى التحتية في أماكن العمل أكثر تكلفة مقدمًا ولكنها توفر لك قدرًا أكبر من المرونة. يمكنك استخدام أجهزتك لأكبر عدد تريده من التجارب على مدى فترة طويلة كما تريد بتكاليف ثابتة. أنت أيضًا تحتفظ بالسيطرة الكاملة على ملفات
ومع ذلك ، إذا لم تكن لديك المهارات اللازمة لتشغيل الموارد المحلية ، فيجب أن تفكر في العروض السحابية ، والتي يمكن أن تكون أسهل في التوسع وغالبًا ما تأتي مع خيارات مُدارة.
يمكن العثور على مزيد من المعلومات التفصيلية حول مزايا وعيوب وحدة معالجة الرسومات في أماكن العمل مقابل وحدة معالجة الرسومات السحابية في عام 2021 على: https://mobidev.biz/blog/gpu-deep-learning-on-premises-vs-cloud
MobiDev هي شركة هندسة برمجيات مقرها الولايات المتحدة وتركز على مساعدة الحالمين في إنشاء منتجاتهم بسهولة ويسر. تستثمر الشركة في البحث التكنولوجي ولديها سنوات من الخبرة في بناء الحلول التي تعمل بالذكاء الاصطناعي وتنفيذ التعلم الآلي والواقع المعزز وإنترنت الأشياء.
أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.
المصدر: https://www.iotforall.com/press-releases/best-gpu-for-deep-learning-tasks-in-2021
