在深度学习神经网络时，中央处理器的性能比同时使用八个图形处理器的组合快几倍。听起来像是科幻小说中的东西，不是吗？但莱斯大学的研究人员使用英特尔至强已经证明这是可能的。
GPU 一直比 CPU 更适合深度学习神经网络。这是由于 GPU 的架构所致，它由许多小核心组成，能够并行执行许多小任务，这正是训练神经网络所需的。但事实证明，采用正确的方法，中央处理器在深度学习中可以非常有效。
据悉，在使用 SLIDE 深度学习算法时，具有 44 个核心的英特尔至强处理器的生产力是八个 NVIDIA Tesla V3,5 计算加速器组合的 100 倍。这也许是 CPU 第一次在这种情况下不仅赶上了 GPU，而且还非常明显地超越了它们。
该大学发布的一份新闻稿称，SLIDE 算法不需要 GPU，因为它使用完全不同的方法。通常，在训练神经网络时，会使用训练误差反向传播技术，该技术使用矩阵乘法，这是 GPU 的理想负载。另一方面，SLIDE 将学习转变为使用哈希表解决的查找问题。
研究人员表示，这显着降低了训练神经网络的计算成本。为了获得基线，研究人员使用莱斯大学实验室的现有系统和八个 Tesla V100 加速器来训练使用 Google TensorFlow 库的神经网络。该过程耗时3,5小时。随后，在具有单 44 核 Xeon 处理器的系统上使用 SLIDE 算法训练了类似的神经网络，仅花费了 1 个小时。
这里值得注意的是，英特尔目前的产品系列中并没有44核处理器型号。研究人员有可能使用某种定制或未发布的芯片，但这不太可能。更有可能的是，这里使用的是具有两个 22 核 Intel Xeon 的系统，或者只是新闻稿中的一个错误，我们正在谈论由一个 44 核处理器提供的 22 个线程。但无论如何，这并不减损成就本身。
当然，SLIDE算法还需要经过多次测试并证明其有效性，并且不存在任何特殊性和陷阱。然而，我们现在看到的情况非常令人印象深刻，确实能够对行业的发展产生很大的影响。
来源： 3dnews.ru