গ্রাফিক্স প্রসেসিং ইউনিটে (GPU) আপনার প্রথম নিউরাল নেটওয়ার্ক। শিক্ষানবিস গাইড

এই নিবন্ধে, আমি আপনাকে বলব কিভাবে 30 মিনিটের মধ্যে একটি মেশিন লার্নিং এনভায়রনমেন্ট সেট আপ করতে হয়, ইমেজ শনাক্তকরণের জন্য একটি নিউরাল নেটওয়ার্ক তৈরি করতে হয় এবং তারপর গ্রাফিক্স প্রসেসরে (GPU) একই নেটওয়ার্ক চালাতে হয়।

প্রথমত, একটি নিউরাল নেটওয়ার্ক কি তা সংজ্ঞায়িত করা যাক।

আমাদের ক্ষেত্রে, এটি একটি গাণিতিক মডেল, সেইসাথে এর সফ্টওয়্যার বা হার্ডওয়্যার মূর্ত, যা জৈবিক নিউরাল নেটওয়ার্কগুলির সংগঠন এবং কার্যকারিতার নীতির উপর নির্মিত - একটি জীবন্ত প্রাণীর স্নায়ু কোষের নেটওয়ার্ক। এই ধারণাটি মস্তিষ্কে ঘটে যাওয়া প্রক্রিয়াগুলি অধ্যয়ন করার সময় এবং এই প্রক্রিয়াগুলির মডেল করার চেষ্টা করার সময় উদ্ভূত হয়েছিল।

নিউরাল নেটওয়ার্কগুলি শব্দের স্বাভাবিক অর্থে প্রোগ্রাম করা হয় না, তারা প্রশিক্ষিত হয়। শেখার ক্ষমতা ঐতিহ্যগত অ্যালগরিদমের তুলনায় নিউরাল নেটওয়ার্কের অন্যতম প্রধান সুবিধা। প্রযুক্তিগতভাবে, শেখার মধ্যে রয়েছে নিউরনের মধ্যে সংযোগের সহগ খুঁজে বের করা। প্রশিক্ষণ প্রক্রিয়া চলাকালীন, নিউরাল নেটওয়ার্ক ইনপুট ডেটা এবং আউটপুট ডেটার মধ্যে জটিল নির্ভরতা সনাক্ত করতে এবং সেইসাথে সাধারণীকরণ করতে সক্ষম হয়।

মেশিন লার্নিং এর দৃষ্টিকোণ থেকে, একটি নিউরাল নেটওয়ার্ক প্যাটার্ন শনাক্তকরণ পদ্ধতি, বৈষম্যমূলক বিশ্লেষণ, ক্লাস্টারিং পদ্ধতি এবং অন্যান্য পদ্ধতির একটি বিশেষ ক্ষেত্রে।

উপকরণ

প্রথমত, আসুন সরঞ্জামগুলি দেখি। আমাদের লিনাক্স অপারেটিং সিস্টেম ইনস্টল করা একটি সার্ভার প্রয়োজন। মেশিন লার্নিং সিস্টেমগুলি পরিচালনা করার জন্য প্রয়োজনীয় সরঞ্জামগুলি বেশ শক্তিশালী এবং ফলস্বরূপ, ব্যয়বহুল। যাদের হাতে একটি ভাল মেশিন নেই, আমি ক্লাউড সরবরাহকারীদের অফারগুলিতে মনোযোগ দেওয়ার পরামর্শ দিই। আপনি প্রয়োজনীয় সার্ভারটি দ্রুত ভাড়া নিতে পারেন এবং শুধুমাত্র ব্যবহারের সময়ের জন্য অর্থ প্রদান করতে পারেন।

প্রকল্পগুলিতে যেখানে নিউরাল নেটওয়ার্ক তৈরি করা প্রয়োজন, আমি রাশিয়ান ক্লাউড সরবরাহকারীগুলির একটির সার্ভার ব্যবহার করি। কোম্পানিটি NVIDIA থেকে শক্তিশালী Tesla V100 গ্রাফিক্স প্রসেসর (GPU) সহ মেশিন লার্নিংয়ের জন্য বিশেষভাবে ভাড়ার জন্য ক্লাউড সার্ভার অফার করে। সংক্ষেপে: একটি GPU সহ একটি সার্ভার ব্যবহার করা একই খরচের একটি সার্ভারের তুলনায় দশগুণ বেশি দক্ষ (দ্রুত) হতে পারে যা গণনার জন্য একটি CPU (সুপরিচিত কেন্দ্রীয় প্রক্রিয়াকরণ ইউনিট) ব্যবহার করে। এটি জিপিইউ আর্কিটেকচারের বৈশিষ্ট্যগুলির কারণে অর্জন করা হয়েছে, যা দ্রুত গণনার সাথে মোকাবিলা করে।

নীচে বর্ণিত উদাহরণগুলি বাস্তবায়ন করতে, আমরা বেশ কয়েক দিনের জন্য নিম্নলিখিত সার্ভারটি কিনেছি:

• এসএসডি ডিস্ক 150 জিবি
• র‍্যাম 32 জিবি
• টেসলা V100 16 জিবি প্রসেসর 4 কোর সহ

আমরা আমাদের মেশিনে উবুন্টু 18.04 ইনস্টল করেছি।

পরিবেশ স্থাপন করা

এখন সার্ভারে কাজের জন্য প্রয়োজনীয় সবকিছু ইনস্টল করা যাক। যেহেতু আমাদের নিবন্ধটি প্রাথমিকভাবে নতুনদের জন্য, আমি কিছু পয়েন্ট সম্পর্কে কথা বলব যা তাদের কাজে লাগবে।

একটি পরিবেশ স্থাপন করার সময় অনেক কাজ কমান্ড লাইনের মাধ্যমে সম্পন্ন হয়। বেশিরভাগ ব্যবহারকারী তাদের কাজের অপারেটিং সিস্টেম হিসাবে উইন্ডোজ ব্যবহার করে। এই ওএস-এর স্ট্যান্ডার্ড কনসোলটি পছন্দের জন্য অনেক কিছু ছেড়ে দেয়। অতএব, আমরা একটি সুবিধাজনক টুল ব্যবহার করব Cmder/. মিনি সংস্করণ ডাউনলোড করুন এবং Cmder.exe চালান। পরবর্তীতে আপনাকে SSH এর মাধ্যমে সার্ভারের সাথে সংযোগ করতে হবে:

ssh root@server-ip-or-hostname

সার্ভার-আইপি-বা-হোস্টনামের পরিবর্তে, আপনার সার্ভারের আইপি ঠিকানা বা ডিএনএস নাম উল্লেখ করুন। এর পরে, পাসওয়ার্ড লিখুন এবং সংযোগটি সফল হলে, আমরা এর মতো একটি বার্তা পেতে পারি।

Welcome to Ubuntu 18.04.3 LTS (GNU/Linux 4.15.0-74-generic x86_64)

এমএল মডেল তৈরির প্রধান ভাষা হল পাইথন। আর লিনাক্সে এর ব্যবহারের জন্য সবচেয়ে জনপ্রিয় প্লাটফর্ম বড় অজগর সাপ.

আমাদের সার্ভারে এটি ইনস্টল করা যাক.

আমরা স্থানীয় প্যাকেজ ম্যানেজার আপডেট করে শুরু করি:

sudo apt-get update

কার্ল ইনস্টল করুন (কমান্ড লাইন ইউটিলিটি):

sudo apt-get install curl

অ্যানাকোন্ডা ডিস্ট্রিবিউশনের সর্বশেষ সংস্করণ ডাউনলোড করুন:

cd /tmp
curl –O https://repo.anaconda.com/archive/Anaconda3-2019.10-Linux-x86_64.sh

এর ইনস্টলেশন শুরু করা যাক:

bash Anaconda3-2019.10-Linux-x86_64.sh

ইনস্টলেশন প্রক্রিয়া চলাকালীন, আপনাকে লাইসেন্স চুক্তি নিশ্চিত করতে বলা হবে। সফল ইনস্টলেশনের পরে আপনার এটি দেখতে হবে:

Thank you for installing Anaconda3!

এমএল মডেলগুলির বিকাশের জন্য এখন অনেকগুলি কাঠামো তৈরি করা হয়েছে; আমরা সবচেয়ে জনপ্রিয়গুলির সাথে কাজ করি: পাইটর্চ и টেনসরফ্লো.

ফ্রেমওয়ার্ক ব্যবহার করে আপনি বিকাশের গতি বাড়াতে এবং স্ট্যান্ডার্ড কাজের জন্য প্রস্তুত-তৈরি সরঞ্জামগুলি ব্যবহার করতে পারবেন।

এই উদাহরণে আমরা PyTorch এর সাথে কাজ করব। আসুন এটি ইনস্টল করা যাক:

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

এখন আমাদের জুপিটার নোটবুক চালু করতে হবে, এমএল বিশেষজ্ঞদের জন্য একটি জনপ্রিয় ডেভেলপমেন্ট টুল। এটি আপনাকে কোড লিখতে এবং অবিলম্বে এর সম্পাদনের ফলাফল দেখতে দেয়। জুপিটার নোটবুক অ্যানাকোন্ডার সাথে অন্তর্ভুক্ত এবং ইতিমধ্যেই আমাদের সার্ভারে ইনস্টল করা আছে। আপনাকে আমাদের ডেস্কটপ সিস্টেম থেকে এটির সাথে সংযোগ করতে হবে।

এটি করার জন্য, আমরা প্রথমে পোর্ট 8080 নির্দিষ্ট করে সার্ভারে Jupyter চালু করব:

jupyter notebook --no-browser --port=8080 --allow-root

এরপরে, আমাদের Cmder কনসোলে অন্য একটি ট্যাব খুললে (শীর্ষ মেনু - নতুন কনসোল ডায়ালগ) আমরা SSH এর মাধ্যমে সার্ভারের পোর্ট 8080 এর মাধ্যমে সংযোগ করব:

ssh -L 8080:localhost:8080 root@server-ip-or-hostname

যখন আমরা প্রথম কমান্ডটি প্রবেশ করি, তখন আমাদের ব্রাউজারে জুপিটার খুলতে লিঙ্কগুলি অফার করা হবে:

To access the notebook, open this file in a browser:
        file:///root/.local/share/jupyter/runtime/nbserver-18788-open.html
    Or copy and paste one of these URLs:
        http://localhost:8080/?token=cca0bd0b30857821194b9018a5394a4ed2322236f116d311
     or http://127.0.0.1:8080/?token=cca0bd0b30857821194b9018a5394a4ed2322236f116d311

আসুন স্থানীয় হোস্টের জন্য লিঙ্কটি ব্যবহার করি: 8080। সম্পূর্ণ পথটি অনুলিপি করুন এবং আপনার পিসির স্থানীয় ব্রাউজারের ঠিকানা বারে পেস্ট করুন। জুপিটার নোটবুক খুলবে।

আসুন একটি নতুন নোটবুক তৈরি করি: নতুন - নোটবুক - পাইথন 3।

আসুন আমরা ইনস্টল করা সমস্ত উপাদানগুলির সঠিক ক্রিয়াকলাপ পরীক্ষা করি। জুপিটারে PyTorch কোডটি লিখুন এবং এক্সিকিউশন চালান (রান বোতাম):

from __future__ import print_function
import torch
x = torch.rand(5, 3)
print(x)

ফলাফল এই মত কিছু হওয়া উচিত:

আপনার যদি অনুরূপ ফলাফল থাকে, তাহলে আমরা সবকিছু সঠিকভাবে কনফিগার করেছি এবং আমরা একটি নিউরাল নেটওয়ার্ক তৈরি করা শুরু করতে পারি!

একটি নিউরাল নেটওয়ার্ক তৈরি করা

আমরা ছবি স্বীকৃতির জন্য একটি নিউরাল নেটওয়ার্ক তৈরি করব। এর একটি ভিত্তি হিসাবে এটি গ্রহণ করা যাক নেতৃত্ব.

নেটওয়ার্ক প্রশিক্ষণের জন্য আমরা সর্বজনীনভাবে উপলব্ধ CIFAR10 ডেটাসেট ব্যবহার করব। এটির ক্লাস রয়েছে: "বিমান", "গাড়ি", "পাখি", "বিড়াল", "হরিণ", "কুকুর", "ব্যাঙ", "ঘোড়া", "জাহাজ", "ট্রাক"। CIFAR10-এর ছবিগুলি হল 3x32x32, অর্থাৎ, 3x32 পিক্সেলের 32-চ্যানেল রঙের ছবি৷

কাজের জন্য, আমরা চিত্রগুলির সাথে কাজ করার জন্য পাইটর্চ দ্বারা তৈরি প্যাকেজটি ব্যবহার করব - টর্চভিশন।

আমরা ক্রমানুসারে নিম্নলিখিত পদক্ষেপগুলি করব:

• প্রশিক্ষণ এবং পরীক্ষার ডেটা সেট লোড এবং স্বাভাবিককরণ
• নিউরাল নেটওয়ার্ক সংজ্ঞা
• প্রশিক্ষণ তথ্য নেটওয়ার্ক প্রশিক্ষণ
• পরীক্ষার ডেটাতে নেটওয়ার্ক পরীক্ষা
• আসুন জিপিইউ ব্যবহার করে প্রশিক্ষণ এবং পরীক্ষার পুনরাবৃত্তি করি

আমরা জুপিটার নোটবুকে নীচের সমস্ত কোড কার্যকর করব।

CIFAR10 লোড এবং স্বাভাবিককরণ

জুপিটারে নিম্নলিখিত কোডটি অনুলিপি করুন এবং চালান:

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

উত্তরটি হওয়া উচিত:

Downloading https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz
Extracting ./data/cifar-10-python.tar.gz to ./data
Files already downloaded and verified

আসুন পরীক্ষার জন্য বেশ কয়েকটি প্রশিক্ষণ চিত্র প্রদর্শন করি:

import matplotlib.pyplot as plt
import numpy as np

# functions to show an image

def imshow(img):
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()

# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()

# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s' % classes[labels[j]] for j in range(4)))

নিউরাল নেটওয়ার্ক সংজ্ঞা

আসুন প্রথমে বিবেচনা করি কিভাবে চিত্র সনাক্তকরণের জন্য একটি নিউরাল নেটওয়ার্ক কাজ করে। এটি একটি সাধারণ পয়েন্ট-টু-পয়েন্ট নেটওয়ার্ক। এটি ইনপুট ডেটা নেয়, একে একে বিভিন্ন স্তরের মধ্য দিয়ে যায় এবং অবশেষে আউটপুট ডেটা তৈরি করে।

আমাদের পরিবেশে একটি অনুরূপ নেটওয়ার্ক তৈরি করা যাক:

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

আমরা একটি ক্ষতি ফাংশন এবং একটি অপ্টিমাইজার সংজ্ঞায়িত করি

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

প্রশিক্ষণ তথ্য নেটওয়ার্ক প্রশিক্ষণ

আমাদের নিউরাল নেটওয়ার্কের প্রশিক্ষণ শুরু করা যাক। দয়া করে মনে রাখবেন যে আপনি এই কোডটি চালানোর পরে, কাজটি সম্পূর্ণ না হওয়া পর্যন্ত আপনাকে কিছু সময় অপেক্ষা করতে হবে। এটা আমার 5 মিনিট সময় নিয়েছে. নেটওয়ার্ক প্রশিক্ষণের জন্য সময় লাগে।

 for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

আমরা নিম্নলিখিত ফলাফল পেতে:

আমরা আমাদের প্রশিক্ষিত মডেল সংরক্ষণ করি:

PATH = './cifar_net.pth'
torch.save(net.state_dict(), PATH)

পরীক্ষার ডেটাতে নেটওয়ার্ক পরীক্ষা

আমরা প্রশিক্ষণ ডেটার একটি সেট ব্যবহার করে নেটওয়ার্ককে প্রশিক্ষণ দিয়েছি। কিন্তু আমাদের চেক করতে হবে নেটওয়ার্ক আদৌ কিছু শিখেছে কিনা।

নিউরাল নেটওয়ার্ক আউটপুট করে এমন ক্লাস লেবেলের ভবিষ্যদ্বাণী করে এবং এটি সত্য কিনা তা পরীক্ষা করে আমরা এটি পরীক্ষা করব। ভবিষ্যদ্বাণী সঠিক হলে, আমরা সঠিক ভবিষ্যদ্বাণীর তালিকায় নমুনা যোগ করি।
আসুন পরীক্ষার সেট থেকে একটি চিত্র দেখাই:

dataiter = iter(testloader)
images, labels = dataiter.next()

# print images
imshow(torchvision.utils.make_grid(images))
print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

এখন আসুন নিউরাল নেটওয়ার্ককে এই ছবিতে কী আছে তা আমাদের বলতে বলি:

net = Net()
net.load_state_dict(torch.load(PATH))

outputs = net(images)

_, predicted = torch.max(outputs, 1)

print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
                              for j in range(4)))

ফলাফলগুলি বেশ ভাল বলে মনে হচ্ছে: নেটওয়ার্কটি চারটি ছবির মধ্যে তিনটি সঠিকভাবে চিহ্নিত করেছে।

পুরো ডেটাসেট জুড়ে নেটওয়ার্ক কিভাবে পারফর্ম করে তা দেখা যাক।

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

দেখে মনে হচ্ছে নেটওয়ার্ক কিছু জানে এবং কাজ করছে। যদি তিনি এলোমেলোভাবে ক্লাস নির্ধারণ করেন, তাহলে নির্ভুলতা 10% হবে।

এখন দেখা যাক নেটওয়ার্ক কোন ক্লাসগুলোকে ভালোভাবে চিহ্নিত করে:

class_correct = list(0. for i in range(10))
class_total = list(0. for i in range(10))
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs, 1)
        c = (predicted == labels).squeeze()
        for i in range(4):
            label = labels[i]
            class_correct[label] += c[i].item()
            class_total[label] += 1


for i in range(10):
    print('Accuracy of %5s : %2d %%' % (
        classes[i], 100 * class_correct[i] / class_total[i]))

মনে হচ্ছে গাড়ি এবং জাহাজ শনাক্ত করার ক্ষেত্রে নেটওয়ার্কটি সেরা: 71% নির্ভুলতা।

তাই নেটওয়ার্ক কাজ করছে। এখন এর কাজটি গ্রাফিক্স প্রসেসরে (GPU) স্থানান্তর করার চেষ্টা করা যাক এবং দেখুন কী পরিবর্তন হয়।

জিপিইউতে একটি নিউরাল নেটওয়ার্কের প্রশিক্ষণ

প্রথমে, আমি সংক্ষেপে ব্যাখ্যা করব CUDA কি। CUDA (কম্পিউট ইউনিফাইড ডিভাইস আর্কিটেকচার) হল একটি সমান্তরাল কম্পিউটিং প্ল্যাটফর্ম যা NVIDIA দ্বারা গ্রাফিক্স প্রসেসিং ইউনিটে (GPUs) সাধারণ কম্পিউটিংয়ের জন্য তৈরি করা হয়েছে। CUDA-এর সাহায্যে, বিকাশকারীরা GPU-এর শক্তি ব্যবহার করে কম্পিউটিং অ্যাপ্লিকেশনগুলিকে নাটকীয়ভাবে ত্বরান্বিত করতে পারে। এই প্ল্যাটফর্মটি ইতিমধ্যেই আমাদের সার্ভারে ইনস্টল করা আছে যা আমরা কিনেছি।

আসুন প্রথমে আমাদের GPU কে ​​প্রথম দৃশ্যমান চুদা ডিভাইস হিসাবে সংজ্ঞায়িত করি।

device = torch . device ( "cuda:0" if torch . cuda . is_available () else "cpu" )
# Assuming that we are on a CUDA machine, this should print a CUDA device:
print ( device )

GPU-তে নেটওয়ার্ক পাঠানো হচ্ছে:

net.to(device)

এছাড়াও আমাদের GPU-তে প্রতিটি ধাপে ইনপুট এবং লক্ষ্য পাঠাতে হবে:

inputs, labels = data[0].to(device), data[1].to(device)

চলুন GPU-তে নেটওয়ার্ককে পুনরায় প্রশিক্ষণ দিই:

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs; data is a list of [inputs, labels]
    inputs, labels = data[0].to(device), data[1].to(device)

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

এই সময়, নেটওয়ার্ক প্রশিক্ষণ প্রায় 3 মিনিট স্থায়ী হয়. আমাদের স্মরণ করা যাক যে একটি প্রচলিত প্রসেসরে একই পর্যায় 5 মিনিট স্থায়ী হয়। পার্থক্যটি উল্লেখযোগ্য নয়, এটি ঘটে কারণ আমাদের নেটওয়ার্ক এত বড় নয়। প্রশিক্ষণের জন্য বড় অ্যারে ব্যবহার করার সময়, GPU এবং একটি ঐতিহ্যগত প্রসেসরের গতির মধ্যে পার্থক্য বৃদ্ধি পাবে।

এটাই মনে হয় সব। আমরা যা করতে পেরেছি:

• আমরা একটি GPU কি তা দেখেছি এবং এটি যে সার্ভারে ইনস্টল করা আছে সেটি নির্বাচন করেছি;
• আমরা একটি নিউরাল নেটওয়ার্ক তৈরি করার জন্য একটি সফ্টওয়্যার পরিবেশ স্থাপন করেছি;
• আমরা ছবি স্বীকৃতির জন্য একটি নিউরাল নেটওয়ার্ক তৈরি করেছি এবং এটিকে প্রশিক্ষণ দিয়েছি;
• আমরা GPU ব্যবহার করে নেটওয়ার্ক প্রশিক্ষণের পুনরাবৃত্তি করেছি এবং গতি বৃদ্ধি পেয়েছি।

আমি মন্তব্যে প্রশ্নের উত্তর দিতে খুশি হবে.

উত্স: www.habr.com