Неделя 2

Исследования в области машинного обучения и глубокого обучения часто включают использование компьютеров с высокой вычислительной мощностью, более длительное время обучения данных, а также саму методологию. Прежде чем принять решение заняться этим видом исследований, я изучал, как на самом деле работает весь процесс, что включает в себя все вместе и так далее.

К счастью, вся идея включает в себя, если не интенсивное обучение, входные данные, состоящие из пикселей, представленных числами в виде матриц. Итак, обычно некоторые игроки в этой области используют достойную конфигурацию оборудования, чтобы убедиться, что они могут быстрее получать результаты. К счастью, на момент написания у меня уже есть рабочая среда, которая может запускать обучение данным, быстрее, но не максимально быстро, по крайней мере, немного модернизируя мою старую машину.

Основные конфигурации установки оборудования следующие;

  1. ОС: Pop!_OS (дистрибутив Linux на основе Ubuntu)
  2. Процессор: AMD Ryzen 5 2200G (APU)
  3. GPU: nVidia GTX 1650 4 ГБ GDDR5, поставляется с 896 ядрами CUDA
  4. Оперативная память: 8 ГБ 2660 МГц DDR4.
  5. Хранилище: 480 ГБ SSD Samsung Evo 860, 1 ТБ WD Blue HDD.

Технически из того, что я вижу, любого графического процессора с несколькими сотнями ядер CUDA уже достаточно для обучения изображений. Моя старая машина имеет только 96 ядер и все еще может выполнять обучение. Просто немного медленнее.

Приятно знать, что для работы моделирования я решил использовать фреймворк глубокого обучения под названием TensorFlow (TF). Один из растущих фреймворков MLDL, используемый тысячами исследователей со всего мира, подтверждается количеством звездочек и разветвлений в их репозитории на GitHub. Ну, есть еще несколько, такие как Theano, CNTK от Microsoft, Caffe, Keras и PyTorch, но TensorFlow — это тот, к которому я привык и на самом деле был знаком еще 2 года назад до этого исследования.

К вашему сведению, TF — это библиотека фреймворков с открытым исходным кодом, выпущенная командой Google Brain и поддерживаемая мировым сообществом. Это означает, что фреймворк будет иметь активные изменения, а также переход от одной версии к другой за очень короткое время, обычно около 4–5 месяцев для утверждения новой версии. Заблаговременная подготовка рабочей станции имеет важное значение, так как у меня будет много времени на тестирование сценариев, а также на настройку некоторых параметров, чтобы заархивировать желаемые результаты.

Добрый день, приятель.