Свързани публикации 'gpu'


Състезателни автоенкодери (с Pytorch)
„По-голямата част от обучението при хора и животни е обучение без надзор. Ако интелигентността беше торта, неконтролираното обучение щеше да бъде тортата [основата], контролираното обучение щеше да е черешката на тортата, а обучението с подсилване щеше да бъде черешката на тортата. Знаем как да направим глазурата и черешата, но не знаем как да направим тортата.“ Директорът на AI Research във Facebook, професор Yann LeCunn многократно споменава тази аналогия в своите разговори. Под..
parallelformers: Интуитивно въведение.
В последно време машинното обучение се внедрява в различни широкомащабни сектори за решаване на сложни проблеми от реалния свят. Границите му се разшириха до области, включително здравеопазване, образование, икономика и няколко други сектора, засягащи човешкия живот в различни фази. Обучението и внедряването на тези модели с големи размери изискват скъпи изчислителни разходи. Модели като blenderbot-9B например изискват 22 GB GPU памет, което изисква колосални разходи. С нарастването на..
Блог за пускане на RAPIDS 22.08
Подобрена производителност, нови функции, разширена функционалност и по-голяма стабилност Излезе най-новата версия на RAPIDS. RAPIDS 22.08 е пълен с актуализации, които ще ви позволят да правите повече и по-бързо, когато изпълнявате работните си натоварвания за научни данни на NVIDIA GPU. Ключовите актуализации в RAPIDS 22.08 включват: разширена поддръжка за четене и запис на данни в cuDF и libcudf нов API за набор от данни на cuGraph, който ви позволява по-лесно да създавате и..
Достъпен GPU за специалисти по данни
НАУКА ЗА ДАННИТЕ Достъпен GPU за специалисти по данни Какво трябва да знаете за достъпните GPU на пазара за следващия си проект за наука за данни. Ако сте специалист по данни и търсите достъпна GPU за вашия компютър, тази статия е за вас. Когато имате ограничен бюджет, трябва да сте по-информирани, за да намерите най-добрия вариант за вашите пари. Ако не разполагате с ограничен бюджет, все пак можете да научите много технически аспекти от тази статия и да направите по-информирана..
Ръководство стъпка по стъпка за активиране на Nvidia GPU за ML/DL модели на машина с Windows
Защо ви пука: GPU (Graphics Processing Units) не са строго необходими за изпълнение на базови модели за машинно обучение (ML), но те често се предпочитат за обучение на напреднали модели като Catboost, Xgboost, невронни мрежи и модели за дълбоко обучение. Използването на графични процесори на вашите компютри/работни лаптопи носи много предимства като паралелна обработка, скорост, възможност за обучение на повече итерации, възможност за обучение със сложни модели и конкурентно..
Посрещане на нуждите на бизнеса от задълбочено обучение в модерния център за данни
С център за данни в Лос Анджелис , както и с други големи столични центрове, Telehouse трябва да остане в челните редици на методите, при които AI и невронните мрежи за дълбоко обучение оформят нуждите на центровете за данни на настоящето и бъдещето. Тъй като използването на AI в центровете за данни става все по-разпространено, броят на корпоративните и хипермащабните центрове за данни, които използват AI и дълбоки невронни мрежи (DNN) за огромни количества данни, нараства...
Графичен процесор
Графичен процесор Супер бърз преглед Какво е GPU и какво правят? GPU или графичен процесор е специализиран процесор, предназначен да се справя със задачи, свързани с графика. Той е проектиран да превъзхожда паралелното изпълнение на хиляди нишки (амортизирайки по-бавната производителност на една нишка, за да постигне по-голяма пропускателна способност). Терминът GPU е използван за първи път през 1999 г. от NVIDIA, когато те представят GeForce 256 GPU. Днес графичните процесори..