ماشین یادگیری عمیق
آموزش‌های پایه‌ای هوش مصنوعیپایتون و ابزارهای یادگیری عمیق

چطور ماشین یادگیری عمیق خودمان را بسازیم؟

    0

    افرادی که می‌خواهند ماشین یادگیری عمیق خودشان را بسازند اما از فرایند ساخت آن دلهره دارند، این مقاله را از دست ندهند. مقاله حاضر اطلاعات بسیار مفیدی در خصوص ساخت ماشین یادگیری عمیق ارائه می‌کند. توصیه ما به علاقمندان این است که از خرید سخت‌افزارهای گران‌قیمت جداً خودداری کنید چون شاید بعدها نیازی به استفاده از آنها نداشته باشید.

    اما پیش از اینکه این موضوع را به طور جامع بررسی کنیم، لازم می‌دانیم به چند نکته اشاره کنیم. من وقتی با جدّیت وارد حوزه یادگیری عمیق یا یادگیری ماشین شدم، مسئله‌ای تحت عنوان «COMPUTE» قدری دردساز شد. با توجه به اینکه در گذشته در حوزه رباتیک فعالیت‌های زیادی داشتم، فرصت را برای ساخت ماشین یادگیری عمیق اختصاصیِ خودم غنیمت شمردم. من رویای ساخت ماشینی را داشتم که کارها را با سرعت چشمگیری انجام دهد. با داشتن رایانش ابری، نیازی به صرف هزینه‌های کلان نیست. وقتی این قابلیت را دارید که ماشین یادگیری عمیق اختصاصیِ خود را بسازید، دیگر این دلهره را ندارید که این ماشین به زودی فرسوده شده و از رده خارج خواهد شد. داستان ماشین یادگیری عمیق از چیز دیگری حکایت دارد. مقاله حاضر به بررسی جنبه‌های مختلف این موضوع پرداخته و به زیبایی تمام مسائل را خلاصه می‌کند. از جمله مزایای مهمی که ماشین یادگیری عمیق محلی دارد، ارزان‌تر و سریع‌تر بودن و همچنین کاربریِ آسان آن است. پس بیایید ماشین یادگیری عمیق اختصاصی‌مان را بسازیم.

    CPU

    ماشین یادگیری عمیق

    ماشین یادگیری عمیق

    ماشین یادگیری عمیق

    با توجه به اینکه امروزه اکثر مدل های یادگیری عمیق با GPU به اجرا درمی‌آیند، CPU عمدتاً برای پیش‌پردازش داده مورد استفاده قرار می‌گیرد. اگر معمولاً داده‌ها را در GB قرار داده و وقت زیادی را در بخش تحلیل داده ها صرف می‌کنید، توصیه می‌کنیم یک CPU خوب تهیه کنید. البته سرمایه‌گذاری در CPU متوسط هم ایده بدی نیست زیرا CPU تنها در مسئله «زمان‌بندی تولید دسته‌ای» و برخی فرایندهای کوچک دیگر نقش کمکی ایفا می‌کند، در حالیکه GPU مسئولیت آموزش را بر عهده دارد. سری «threadripper» متعلق به AMD نیز قدرت بالایی دارد و در صورت پرداخت هزینه مناسب می‌توان انتظار عملکرد خوبی از آن را داشت. ما Threadripper 1900x با پردازنده ۸ هسته‌ای را انتخاب کردیم.

    نکته مهم:

    AMD به دلیل عملکرد و قیمت مناسبی که دارد، محبوبیت بالایی پیدا کرده است. سیستم عامل AMD با نصف قیمتِ همتایش «اینتل»، عملکردی مشابه دارد. برای کسب اطلاعات درباره مراحل نصب و راهنمای مادربورد از یوتیوب استفاده کنید. کار چندان سختی در پیش ندارید، اما توجه داشته باشید که تراشه قدری ظریف است و در هنگام استفاده از آن با دقت عمل کنید.

    ذخیره‌سازی

    سه گزینه پیش رویمان داریم:

    ماشین یادگیری عمیق

    • HDD (Hard Disk Drive)
    • SSD (Solid State Drive)
    • NVME SSD (Non-Volatile Memory Express)

    دیسک سخت به یک دیسک مغناطیسیِ چرخان اطلاق می‌شود که با یک یا چند صفحه که سطح آن‌ها با موادی پوشش داده شده است و امکان ضبط داده‌ها به‌طور مغناطیسی بر روی آن‌ها وجود دارد. به دلیل مکانیکی بودن دیسک، عملکرد با کُندی همراه است، فضای بیشتری را اِشغال می‌کند و احتمال خرابیِ داده در آن زیاد است.

    SSDs: به حافظه‌های کوچک، سریع و بدون قطعات متحرک اطلاق می‌شود. این حافظه‌ها قیمت نسبتاً زیادی دارند و این مسئله در عملکرد کلی تاثیر می‌گذارد. قرارگیریِ OS در بالای حافظه SSD منجر به صاف شدن آن می‌شود. وقتی در یادگیری عمیق همواره با چند گیگابایت داده سروکار داشته باشید، انتقال فایل فوق‌العاده سریع انجام می‌شود. اسلات SATA 3 امکان انتقال فایل در درایورهای AHCI با سرعت ۶۰۰ مگابایت بر ثانیه را فراهم می‌کند.

    NVMe SSD: به جای استفاده از رابط پیشرفته متوالی SATA، می‌توان از PCIe استفاده کرد زیرا سطح عملکرد را بالا می‌برد. همچنین، پروتکل انتقالِ مورد استفاده در این مورد NVMe است، نَه AHCI و پردازش موازی بسیار کارآمدی را ارائه می‌کند. در اینجا ۲–۳ GB/s مد نظرمان بود و این عدد می‌تواند از مدلی به مدل دیگر متغیر باشد.

    این فناوری جدید است و قیمت بالاتری نسبت به SSD دارد. شاید به سختی تفاوت عملکرد را در OS مجهز به NVME SSDs تشخیص دهید. NVMe این اطمینان را به افراد می‌دهد که مادربورد m2 اسلات دارد. از آنجا که مادربوردهای قدیمی فاقد این ابزار هستند، شاید قیمت بالاتری داشته باشد.

    حافظه Optane اینتل می‌تواند سطح عملکرد را بطرز چشمگیری ارتقاء ببخشد. قیمت این حافظه خیلی بالاست و متخصصان باور دارند که این فناوری مقرون به‌صرفه نیست. ما مشخصات ۵۰۰ GB NVMe M2 SSD را برای این حافظه در نظر گرفتیم و مشکلی برای پرداخت هزینه بیشتر نداشتیم. باید به این نکته اشاره کرد که SSD خیلی بهتر از HDD است.

    نکته مهم:

    داده‌ها در RAM یا GPU VRAM جای خواهند گرفت. در هنگام آموزش داده‌ها، ذخیره‌سازی یا حافظه اهمیت ندارد. با بررسی نسبت عملکرد به قیمت می‌توان به این نتیجه رسید که سرمایه‌گذاری در SDD معقولانه‌تر از HDD است. NVMe SSD قیمت بالایی داشته و به مادربورد سازگار نیاز دارد.

    مادربورد

    ماشین یادگیری عمیق

    مادربورد‌ها در اندازه‌های مختلف عرضه می‌شوند. در هر مادربوردی می‌توانید تعداد این موارد را بررسی کنید:

    • DIMM slots for RAM
    • PCIe slots for GPUs
    • M2 slots for NVMe SSDs (if you’ll be using anytime soon)
    • SATA ports for SSDs
    • Thunderbolt 3/USB 3.0/2.0 as per need.

    این خیلی خوب است که در نسخه‌های ارتقاءیافتۀ بعدی، اسلات‌های بیشتری داشته باشیم. معمولاً افراد سیستم‌شان را به RAM قوی‌تر مجهز کرده و GPUهای بیشتری را در آینده اضافه می‌کنند. البته این تصمیم به خودِ افراد بستگی دارد و شاید عده‌ای از این کار اجتناب کنند. ماشین‌های از پیش‌ساخته عموماً با استفاده از مادربوردی که فاقد اسلات‌های کافی برای ارتقای آتی هستند، تا حدی در هزینه‌ها صرفه‌جویی می‌کنند. اینجا انتخاب با شماست.

    نکته مهم:

    باید مطمئن شوید که پردازنده‌تان از مادربوردِ مورد نظر پشتیبانی می‌کند. این فرصت را دارید تا با انتخاب بهترین ترکیبِ پردازنده و مادربورد در هزینه‌ها صرفه‌جویی کنید. بسیاری به تعداد خطوط ارتباطی (lanes) در هر اسلات PCIE اهمیت می‌دهند. در صورتی که چند GPU داشته باشید، این موضوع اهمیت خود را از دست می‌دهد. اگر در نظر دارید GPUهای بیشتری در آینده اضافه کنید، باید مطمئن شوید که اسلات‌های PCIE کافی هستند. با توجه به اینکه امروزه GPUها ساختارهای چندپنکه‌ای دارند، اکثرشان فضای اسلات‌های ۲ PCIE را اِشغال می‌کنند.

    ماشین یادگیری عمیق

    خنک‌سازی

    با توجه به گستردگی بحثِ سخت‌افزارها، این موضوع باید در بخش جداگانه‌ای بررسی شود. دو عنصرِ پردازنده و واحد پردازش گرافیکی (GPU) باید همواره در دمای پایین نگه داشته شوند. پنکه‌ها می‌توانند اندازه‌های مختلفی داشته باشند.

    ماشین یادگیری عمیق

    خنک‌سازیِ پردازنده (CPU)

    ماشین یادگیری عمیق ماشین یادگیری عمیق

    دو نوع خنک‌کنندۀ CPU وجود دارد:

    • پنکه
    • خنک‌سازی مایع CPU

    خنک‌سازیِ مایع به همراه پنکه دارای پمپی است که آب را در لوله‌ها به گردش درمی‌آورد. برخی از مادربوردها رابط جداگانه‌ای برای پمپ و پنکه CPU دارند. این رابط‌ها در پورت‌های پنکه عادی هم مورد استفاده قرار می‌گیرند. در پورت‌های رایج، این گرما با استفاده از لوله‌های مسی به سمت پنکه‌ها هدایت می‌شود؛ یعنی فقط از یک رابط برای پنکه استفاده می‌شود. این‌ها هر دو عملکرد یکسانی دارند، اما فرازونشیب‌های خاص خود را نیز دارند. توصیه می‌کنیم برای کسب اطلاعات بیشتر در این زمینه از فیلم‌های بارگذاری شده در سرویس یوتیوب استفاده کنید.

    خنک‌سازیِ واحد پردازش گرافیکی (GPU)

    ماشین یادگیری عمیق

    خنک‌سازیِ واحد پردازش گرافیکی در دو پیکربندی عرضه می‌شود:

    • خنک‌‍‌کننده Open-air
    • پنکه‌های دَمنده

    ماشین یادگیری عمیق ماشین یادگیری عمیق

    چون خنک‌کننده open-air هوا را در تمامی جهات هدایت می‌کند و حداکثر سه عدد پنکه دارد، استفاده از آنها برای GPU PC توصیه می‌شود. نتایج اورکلاک (overclocking) بهتری هم به دست می‌آید، اما شاید در سیستم مجهز به چند واحد پردازش گرافیکی مسئله‌ساز شود. هوایی که یک واحد پردازش گرافیکی به بیرون هدایت می‌کند توسط واحد پردازش دیگری مصرف می‌شود؛ این عامل باعث افزایش دما شده و سرانجام منجر به افزایش قابل‌توجه دمایِ کل سیستم می‌شود. بنابراین، پنکه‌های دمنده در پیکربندی‌های مختلف واحد پردازش گرافیکی می‌توانند عملکرد بهتری از خود نشان دهند. این پنکه‌ها گرما را از کِیس بیرون کشیده و زمینه را برای ورود هوای تازه به درون واحد پردازش گرافیکی فراهم می‌کنند. خنک‌سازی مایع هم وجود دارد اما نیاز است واحد پردازش گرافیکی باز و در سخت‌افزار جداگانه‌ای سوار شود. این اقدام خطرناک است و می‌تواند گارانتی را باطل کند. حتی اگر روزی مجبور باشید این کار را انجام دهید، توجه داشته باشید که قطعات به ندرت در همه کشورها یافت می‌شوند.

    ماشین یادگیری عمیق

    آیا استفاده از چند واحد پردازش گرافیکی ارزشِ پرداخت هزینه‌های بیشتر را دارد؟

    استفاده از یک واحد پردازش گرافیکی مسئله‌ساز نیست و دما در اکثر موارد به بالای ۸۰ درجه نمی‌رسد. اما در سیستم‌های مجهز به چند واحد پردازش گرافیکی، خنک‌سازی مسئله بزرگ و مهمی به شمار می‌آید. اگرچه SLI یا NVLink امکان اتصالِ واحدهای پردازش گرافیکی به همدیگر را فراهم می‌کنند، اما فرایند بهینه‌سازی از این کار تاثیر منفی می‌پذیرد. اتصال دو واحد پردازش گرافیکی باید در حالت ایده‌آل سطح عملکرد را دو برابر بهبود ببخشد، اما این کار احتمال استفاده بیشتر از برق را افزایش می‌دهد. پس طبیعی است که قبض برق قدری نگران‌کننده باشد. توجه داشته باشید که مشکلات گرمایش بر وخامت وضعیت می‌افزاید. در نهایت، توصیه می‌کنیم تنها در صورتی که واقعا نیاز به این کار دارید و پرداخت هزینه‌های گزاف برق برایتان مسئله‌ساز نیست، اقدام به این کار کنید. روش خنک‌سازی مایع هم گزینۀ در دسترسی است. اما قطعات به سادگی در همه کشورها موجود نیست. بنابراین، اگر از سازگار بودن کِیس مورد استفاده‌تان با این خنک‌کننده مطمئن نیستید، باید بدانید که خرید و نصب آن با ریسک همراه است. توصیه پایانی این است که تلاش اضافی در این مورد، ارزش پرداخت هزینه بیشتر را ندارد.

    ماشین یادگیری عمیق

    چند پنکه باید داشته باشیم؟

    گردش مناسب هوا یکی از الزامات اساسیِ ماشین یادگیری عمیق برشمرده می‌شود. این کار با استفاده از پنکه‌های intake و exhaust انجام می‌شود. اگر دو پنکه ورودی هوا در جلو و یک پنکه خروجی هوا در پشت دارید، گردش هوای مناسبی خواهید داشت. استفاده از پنکه‌های بیشتری تفاوت چندان زیادی ایجاد نمی‌کند. ویدئوی مربوط به LinusTechTips با آزمایش پنکه‌های مختلف همه این مسائل را به خوبی توضیح می‌دهد.

    نکته مهم:

    باید از این مسئله اطمینان حاصل کنید که راه‌حل خنک‌سازی پردازنده با براکت روی مادربورد همخوانی داشته باشد. برای مثال، AMD Threadripper CPU از براکت TR4 استفاده می‌کند. پنکه‌ها را به درستی سر جایشان قرار دهید. پس از اینکه پنکه‌ها را نصب کردید، جهت گردش هوا را کنترل کنید. باید ببینید مادربورد قابلیت پشتیبانی از چند پنکه را دارد. در غیر این صورت شاید مجبور باشید آنها را به طور مستقیم به PSU وصل کرده و به جای کنترل سرعت با سخت‌افزار مادربورد، همیشه با نهایت سرعت به اجرا درآورید.

    کِیس

    ماشین یادگیری عمیق

    این مورد واقعاً می‌تواند دردساز باشد. مهم نیست چقدر از تجهیزات مراقبت می‌کنید، گاهی طول کابل مشکل‌ساز می‌شود یا RAM در مسیر رادیاتوری که می‌خواهید در بالای کیس قرار دهید، قرار دارد. همیشه با مسائل ریز و درشت روبرو خواهید شد. برخی از این مسائل خیلی پیچیده هستند. برخی از تولیدکنندگان مادربورد یا PSU وسیله‌های مخصوصی برای افزایش طول کابل عرضه می‌کنند. می‌توانید از ویدئوهای یوتیوب برای کسب اطلاعات بیشتر در این زمینه استفاده کنید. در اکثر موارد نیازی به این کارها نیست و همه چیز به خوبی پیش می‌رود.

    در اکثر کِیس‌ها، گردش مناسب هوا مسئله‌ساز نیست. شرکت‌های مختلف تولیدکنندۀ کیس به راهبرهای مختلف متوسل می‌شوند تا محصولات‌شان را به فروش برسانند.

    چند نکته مهم:

    طول کابل فقط در موارد نادری مسئله‌ساز می‌شود. در هر صورت می‌توانید از ابزارهای افزایش طول استفاده کنید. برخی از کیس‌ها به پنکه‌های جداشدنی مجهز هستند. با توجه به اندازه مادربوردِتان، از دریافت نوع مناسب اطمینان حاصل کنید. باید فضای کافی برای قرار دادن PSU در نظر بگیرید. بنابراین، حتماً اندازه آن را بررسی کنید. USB نوع ۳/۲، thunderbolt و کابل‌های صوتی در ابعاد و اَشکال مختلفی عرضه می‌شوند. پس باید تجهیزاتی را انتخاب کنید که نیازتان را برطرف سازد. بدیهی است که می‌توانید از پورت‌های واقع در مادربورد استفاده کنید، اما این پورت در پشت PC قرار دارند. بعضی از کیس‌ها به خنک‌کننده پردازنده مایع مجهز هستند (در بالای کیس)، اما در برخی موارد هم پنکه‌ها فقط در بخش جلو تعبیه می‌شوند. باید نوع پیکربندی را بررسی کنید. می‌توانید از وب‌سایت PCpartPicker استفاده کنید تا ببینید قطعاتی که انتخاب کردید با یکدیگر سازگار هستند یا خیر.

    ماشین یادگیری عمیق

    RAM

    ماشین یادگیری عمیق

    با توجه به اینکه با دیتاست بزرگی مثل تصاویر یا داده‌های دیگر سروکار داریم، این داده‌ها می‌توانند به طور کامل درون RAM جای گیرند. با این کار، سرعت پردازش داده‌ها به طرز چشمگیری افزایش پیدا می‌کند. انتقال فایل میان RAM و GPU VRAM صورت می‌گیرد و معمولاً مجموعه‌داده‌ها درون VRAM جای نمی‌گیرند. این روش در مقایسه با سایر راه‌حل‌های ذخیره، از سرعت بسیار بالایی بهره می‌برد و سرعت انتقال را تا ۲۰ گیگابایت بر ثانیه افزایش می‌دهد. باید میزان RAM مناسبی در ماشین وجود داشته باشد. اما اگر کارهای پیش‌پردازش زیادی برای انجام دادن دارید، ۸ تا ۱۶ گیگابایت از آن کفایت می‌کند. در صورتی که تنظیمات پروفایل XMP یا Extreme Memory برقرار باشد، می‌توانید RAM را با سرعت بالا اورکلاک کنید. اما این موضوع اهمیت چندانی ندارد. RAM با سرعت کلاک ۳۰۰ مگاهرتز قدری سریع‌تر از رَمی با ۲۴۰۰ مگاهرتز عمل می‌کند؛ اما این بهبود عملکرد زیاد به چشم نمی‌آید. بنابراین، نسبت عملکرد به هزینه در اینجا پایین است. همچنین، سرعتِ رَم سیستم‌تان را در تنگنا قرار نمی‌دهد.

    چند نکته مهم:

    باید از سازگار بودنِ DDR4 RAM با مادربوردتان اطمینان حاصل کنید. اکثر شرکت‌های تولیدکنندۀ مادربورد لیستی از سخت‌افزارهای پشتیبانی شده را ارائه می‌دهند. تعداد اسلات‌های DIMM مشخص است و بر پایه تعداد استیک رم‌ قرار دارد. باید آنها را در اسلات‌های مناسب خودشان قرار دهید. از دفترچه راهنمای مادربورد هم می‌توانید استفاده کنید.

    ماشین یادگیری عمیق ماشین یادگیری عمیق

    وقتی رابط حافظه را بررسی می‌کنید، مراقب باشید عرق یا قطره اشک‌تان روی مادربورد نیفتد. اگرچه یک روکش نهایی در بالای مادربورد قرار داده می‌شود، اما اسلات‌ها شبکه سیم‌بندی را باز می‌گذارد و اشک انسان حاوی ۰.۳ میلی‌گرم نمک است و می‌تواند مشکل‌ساز شود. هر قطره آب دریا نیز حاوی ۱.۷۵ میلی‌گرم نمک است.

    PSU

    ماشین یادگیری عمیق

    در هنگام تهیه PSU باید به دو نکته توجه داشته باشید:

    • قدرت PSU
    • پورت‌های PSU

    باید از جزئیات مصرف برق در سیستم باخبر باشید. برخورداری از خروجی بالاتر به همراه ماشینی که مصرف برق کمتری دارد، ایده‌آل است. اما خروجی کمتر و مصرف برق بیشتر می‌تواند مشکل‌ساز باشد. میزان مصرف برق را با استفاده از دستورالعمل زیر محاسبه کنید:

    ماشین یادگیری عمیق

    n: تعداد کل واحدهای پردازش گرافیکی؛ با در نظر گرفتن مواردی که می‌خواهید در آینده اضافه کنید.

    m: تعداد کل دیسک سخت یا SSD؛ با در نظر گرفتن مواردی که می‌خواهید در آینده اضافه کنید.

    ۲۰۰ وات اضافه برای سایر دستگاه‌های جانبی در نظر گرفته می‌شود.

    میزان مصرف برق هر کدام از قطعات در وب‌سایت رسمیِ شرکت تولیدکننده درج شده است. باید از مساوی بودن اسلات‌ها با تعداد چیزهایی که می‌خواهید به آنها وصل کنید، مطمئن شوید. اگر همه قطعات را در لیست وب‌سایت PCPartPicker اضافه کنید، دست آخر به شما اطلاع داده خواهد شد که آیا در بخش بررسی سازگاریِ قطعات با کمبود پورت مواجه می‌شوید یا خیر.

    PSUها عمدتاً دارای موارد زیر هستند:

    • CPU slot:  برای پردازنده
    • Peripheral slot — GPU  و چیزهای دیگر
    • SATA slot:  برای ذخیره
    • ۲۴ pin ATX slot:  برای تامین نیروی مادربورد

    واحد تامین برق از اهمیت زیادی برخوردار است. گردش هوا حتی در صورت داشتن پنکه‌های کمتر، چندان دردساز نخواهد بود، اما باید از برق‌رسانی دقیق و کافی به سیستم مطمئن شوید.

    چند نکته مهم:

    از آنجا که سوکت‌های تامین برق در هند از ۵ آمپر تا ۱۵ آمپر پشتیبانی می‌کنند، باید ماشین یادگیری عمیق را در سوکت بزرگتری با ظرفیت ۱۵ آمپر قرار دهید. اگر از دوشاخه نوع G UK در PSUتان استفاده می‌کنید، بهتر است آن دوشاخه را درآورده و از دوشاخه‌ای استفاده کنید که از خروجی آمپر بالاتری پشتیبانی می‌کند. اگر به سیم طویل احتیاج دارید، باکیفیت‌ترین محصول را خریداری کنید. فقط از سیم‌های باکیفیتِ مسی با ضخامت مورد نیاز استفاده کنید.

    نمایشگر و صفحه‌کلید بی‎سیم

    از آنجا که قصدی برای راه‌اندازی سیستم بازی نداریم، نیازی هم به نمایشگر ۴K یا انطباق تصویر (رفرش ریت) ۱۴۴ هرتزی نیست. تیم دتمر در پست وبلاگی‌اش به این نکته اشاره می‌کند که عشق استفاده از ۳ نمایشگر است. با توجه به حجم کاری که دتمر دارد، باید به او حق داد که از این تعداد نمایشگر استفاده کند. جای تردید نیست که بهره‌مندی از چند نمایشگر می‌تواند میزان بهره‌وری را افزایش دهد. با توجه به اینکه امروز نمایشگرهای ارزانی در بازار موجود است، می‌توانید یک نمایشگر LED بخرید. مطالبی که تاکنون درباره نمایشگر ذکر کردیم، برای صفحه‌کلید و مائوس هم صدق می‌کند. صفحه‌کلید‌های شبیه به صفحه‌کلید لپ‌تاپ می‌تواند کارتان را راه بیندازد. صفحه‌کلیدهای بی‌سیم قدری گران‌تر از صفحه‌کلیدهای سیمی هستند. صفحه‌کلیدهای بی‌سیم باعث می‌شوند محیط کار زیباتر و تمیزتر به نظر برسد.

    چند نکته مهم:

    مشخصات واحد پردازش گرافیکی را بررسی کنید تا ببینید از چند نمایشگر پشتیبانی می‌کند. معمولاً همه آنها از بیش از یک مورد پشتیبانی می‌کنند. باید از روی مشخصات به این مورد پی ببرید که واحد پردازش گرافیکی‌تان چه تعداد HDMI، VGA و پورت نمایش دارد.

    GPU (واحد پردازش گرافیکی)

    ماشین یادگیری عمیق

    واحد پردازش گرافیکی به عنوان هستۀ اصلی ماشین یادگیری عمیق شناخته می‌شود. آموزش حقیقی در این بخش صورت می‌گیرد. قطعاً موضوع مهمی است و باید در پست وبلاگی دیگری به تفصیل درباره آن بحث کنیم. اما توصیه می‌کنیم نگاهی به موارد زیر بیندازید:

    • RTX 2080 Ti
    • RTX 2070 ؛ خیلی ارزان‌تر

    این معماری جدید واقعاً عملکرد خوبی نشان داده است. با خرید واحدهای پردازش گرافیکی دست دوم از eBay به میزان قابل‌توجهی در هزینه‌ها صرفه‌جویی کنید. GTX 1080 Ti گزینه بسیار خوبی است. این ذهنیت اشتباه است که دستگاه‌های دست‌دوم به عملکرد نهایی صدمه می‌زند.

    چند نکته مهم:

    به طور جدّی توصیه می‌کنیم از وبلاگ تیم دتمر بازدید کنید. دتمر به طور کاملاً زیبا و جامع این مطالب را پوشش داده است. همچنین توصیه می‌کنیم از NVIDIA GPU برای اهداف یادگیری عمیق استفاده کنید. تول‌کیت CUDNN و CUDA سازگاری بسیار بالایی با کتابخانه های یادگیری عمیق فعلی دارد؛ از جمله این کتابخانه‌ها می‌توان به Keras، تنسورفلو، PyTorch و غیره اشاره کرد.

    نصب OS

    نرم‌افزارهای یادگیری عمیق در ابتدا با ماشین‌های Linux سازگار هستند. من Ubuntu 18.04 را نصب کرده‌ام زیرا از پشتیبانی طولانی‌مدت بهره می‌برد. من آن دسته از کتابخانه‌های ناسازگاری را که در نسخه‌های ۱۶.۰۴ LTS کار می‌کردند، بررسی نکرده‌ام. نگران نباشید؛ کتابخانه‌های اصلی و پرکاربردِ یادگیری عمیق به هیچ عنوان مشکل‌ساز نخواهند بود. لپ‌تاپ‌تان را بردارید و OS را از وب‌سایت رسمی Obuntu دانلود کنید. با نرم‌افزارهای رایگانی مثل Rufus یک pen drive بسازید، آن را در پورت وارد و PC خود را به راه بیندازید. شاید بهتر باشد اولویت را به USB وصل شده بدهید تا فرایند بوت در وهله اول به انجام برسد. مطمئن شوید دیسک قابلِ‌بوت بارگذاری شده است.

    ماشین یادگیری عمیق

    کلام آخر

    این مقاله به معرفی فرایند کاریِ جذابی پرداخت و اطمینان داریم از پیاده‌سازی آن لذت خواهید برد. اگر در گذشته هیچ ماشینی نساخته‌اید، اصلاً نگران نباشید. کار پیچیده‌ای پیش رویتان نیست. اکنون وب‌سایت‌های بسیار مفیدی در فضای اینترنت وجود دارد که می‌توانید از مطالب مفیدشان استفاده کنید. سرویس یوتیوب نیز مملو از ویدئوهای مناسب در خصوص سخت‌افزارها و دستورالعمل‌های ساخت و استفاده از آنها است. کانال‌هایی مثل Bitwit می‌تواند اطلاعات بسیار مفیدی در اختیارتان بگذارد.

    داده افزایی تصویری و چگونگی انجام آن در کتابخانه‌ی OpenCV

    مقاله قبلی

    هوش مصنوعی در ورزش: تحولی به نام داده‌های بیومتریک

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *