为什么公司要为机器学习采购GPU？

问：

为什么公司要为机器学习采购GPU？

如果您正在阅读有关机器学习的文章，那么您可能会听到很多关于在机器学习项目中图形处理单元或GPU的用法的信息，通常是中央处理单元或CPU的替代方案。 GPU之所以用于机器学习，是因为其特定的属性使其更适合与机器学习项目配合使用，特别是那些需要大量并行处理（即同时处理多个线程）的项目。

有很多方法可以讨论为什么GPU对于机器学习变得越来越受欢迎。 最简单的方法之一是将传统CPU中的少量内核与典型GPU中的大量内核进行对比。 GPU的开发旨在增强图形和动画效果，但也可用于其他类型的并行处理，其中包括机器学习。 专家指出，尽管典型GPU中的许多内核（有时是几十个）往往比CPU较少的内核要简单，但是拥有更多的内核会带来更好的并行处理能力。 这与“整体学习”的相似思想相吻合，后者使ML项目中进行的实际学习多样化：基本思想是，数量更多的较弱运算符将胜过数量较少的较强运算符。

一些专家将讨论GPU如何提高浮点吞吐量或有效使用模具表面，或它们如何容纳数百个并发线程在处理中。 他们可能会讨论数据并行性和分支分歧的基准，以及算法在并行处理结果的支持下进行的其他类型的工作。

查看GPU在机器学习中的流行用法的另一种方法是查看特定的机器学习任务。

从根本上讲，图像处理已成为当今机器学习行业的重要组成部分。 这是因为机器学习非常适合处理构成图像分类数据集的多种类型的特征和像素组合，并帮助机器训练识别视野中的人或动物（即猫）或物体。 CPU是为动画处理而设计的，现在已经普遍用于图像处理，这并不是巧合。 代替渲染图形和动画，使用相同的多线程大容量微处理器评估这些图形和动画以得出有用的结果。 也就是说，计算机不仅在显示图像，而且在“查看图像”，但是这两个任务都在相同的视野和非常相似的数据集上工作。

考虑到这一点，很容易看出为什么公司使用GPU（以及GPGPU等下一代工具）在机器学习和人工智能方面做更多的事情。