TESLA

GPU 應用

機器學習

工業界和學術界的數據科學家一直在使用GPUs來執行機器學習,讓各項應用程式包括圖像分類,視頻分析,語音識別和自然語言處理都有著突破性的進步。特別是深層學習 (Deep Learning) – 採用先進多層次的“深層”神經網所建構的特徵檢測 (Feature Detection)系統來檢測大量沒有標示的訓練數據 – 更是一項已經看到顯著投資和研究領域。

雖然機器學習已經存在了幾十年,近來有兩個潮流引發了廣泛的機器學習運用:有大量可用的訓練數據,及透過 GPU 計算提供的強大和高效率的平行計算。使用GPUs執行的機器學習,可以在極短時間內使用更少設備,處理龐大的訓練數據,所以被用來訓練深層次的神經網路。此外,GPUs亦被用于將已訓練好的模型數據進行分類及預測,支援龐大的數據量卻使用更少的電力與設備。

早期採用GPU加速器的機器學習者包括許多大形網站、社群媒體公司和一些頂級數據科學及機器學習的研究機構。對比CPUs,GPUs的數千個更小型更高效率的核心和10 – 100倍的執行效能,已成為數據科學家處理大數據的首選。

 

機器學習應用的基準

 機器學習應用的基準

"使用GPUs,預先錄製的演講或多媒體都可以更快速地運轉。對比CPU的執行,進行識別的速度提昇多達33倍。"

Ian Lane教授, 卡內基美隆大學

 
 

了解其他數據科學家如何發展他們在機器學習領域的研究,取得相關工具,軟體框架和計算配置。

 
 
機器學習工具
  • Caffe : 卷積神經網路演算法則框架
  • cuda-convnet : 高性能的C + +/ CUDA卷積神經網路
  • Theano : 優化和評估數學表達式的Python庫定義
  • Torch7 : 機器學習演算法則的科學計算框架
  • cuBLAS : CUBLAS - 完整的標準BLAS庫的GPU加速版本
  • MATLAB : 易於使用的HPC語言整合計算,可視化和編程
  • cxxnet : 神經網路工具包
機器學習最新文章
機器學習技術講座
 
機器學習技術論文
 
採用GPUs機器學習的企業與研究機構
Adobe Baidu Facebook Flickr IBM
Microsoft Netflix Nuance Yandex  
 
建議系統配置
Development Workstation開發工作站 Training Cluster訓練集群
2x NVIDIA Tesla K40 GPU加速器 8x NVIDIA Tesla K40 GPU加速器
2x Intel Xeon處理器 (8或更高核心) 2x Intel Xeon處理器 (8或更高核心)
64 GB 系統記憶體 256 GB 系統記憶體
 

配置選項

Configuration Options
 
 

選購GPU加速器,請參照 TESLA購買資訊.