TPU (Tensor وحدة المعالجة )

ما هي TPU

تم تصميم TPU المعالجة TPU PU من الألف إلى الياء لتلبية المتطلبات الفريدة للتعلم الآلي (ML)، وخاصة التعلم العميق. فعلى عكس المعالجات ذات الأغراض العامة مثل وحدات المعالجة المركزية أو حتى وحدات معالجة الرسومات التي تتعامل مع مجموعة واسعة من المهام، صُممت وحدات المعالجة الحرارية TPU خصيصًا للتفوق في عمليات حساب tensor - العمليات الرياضية الأساسية في الشبكات العصبية. الموتر عبارة عن مصفوفات متعددة الأبعاد تمثل البيانات في نماذج تعلّم الآلة (MLU)، وقد تم تحسين وحدات المعالجة الحرارية TPU لأداء عمليات مضاعفة المصفوفات على نطاق واسع وغيرها من عمليات الجبر tensor بسرعة عالية وكفاءة في استخدام الطاقة. يسمح هذا التخصص لوحدات المعالجة التفاعلية بتنفيذ مهام تعلّم الآلة بسرعة أكبر بكثير من وحدات المعالجة المركزية، وفي العديد من السيناريوهات، بكفاءة أكبر من وحدات معالجة الرسومات، خاصةً عند العمل مع أطر مثل TensorFlow الذي تم تحسينها من أجله في البداية، على الرغم من أن دعم أطر أخرى مثل PyTorch متاح أيضًا. يمكنك معرفة المزيد حول التفاصيل من مقدمةGoogle Cloud TPU .

تطبيقات وحدات المعالجة الثلاثية

تُستخدم وحدات المعالجة الثلاثية على نطاق واسع في العديد من التطبيقات، لا سيما تلك التي تعمل بواسطة خدمات Google وبشكل متزايد في مجالات الذكاء الاصطناعي وتعلم الآلة الأوسع نطاقًا التي يمكن الوصول إليها عبر منصات مثل Google Cloud. تشمل التطبيقات الرئيسية ما يلي:

• تدريب النماذج على نطاق واسع: تتفوق وحدات المعالجة الفيزيائية التقنية في تدريب النماذج الكبيرة والمعقدة للغاية، مثل تلك المستخدمة في معالجة اللغات الطبيعية (مثل متغيرات BERT أو GPT) ومهام الرؤية الحاسوبية المتقدمة. إن بنيتها مناسبة تمامًا للعمليات الحسابية المتوازية الضخمة المطلوبة، وغالبًا ما تستخدم تقنيات مثل التدريب الموزع. ويمكن للباحثين والمطوّرين الاستفادة من كبسولات TPU لتحقيق سرعات كبيرة. وتعتمد العديد من النماذج الكبيرة التي يقوم عليها محرك بحث Google و Translate على وحدات المعالجة ثلاثية الأبعاد للتدريب.
• استدلال كبير الحجم: بالنسبة للتطبيقات التي تتطلب تنبؤات سريعة على مجموعات البيانات الكبيرة، توفر وحدات المعالجة الحرارية TPU إنتاجية عالية وزمن استجابة منخفض. تستخدم Google وحدات المعالجة ثلاثية الأبعاد لتشغيل ميزات الذكاء الاصطناعي في الوقت الفعلي في منتجات مثل صور Google (لتحليل الصور واكتشاف الأشياء) ومساعد Google (للتعرّف على الكلام). كما تتوفر وحدات المعالجة الحرارية TPUs أيضًا على منصات مثل Kaggle، مما يتيح وصولاً أوسع للتجربة، كما هو موضح في دليل تكاملUltralytics Kaggle. تجلب وحدات معالجة TPU ذات الحواف الأصغر حجمًا هذا التسريع إلى أجهزة الحوسبة المتطورة.

وحدات المعالجة ثلاثية الأبعاد مقابل وحدات معالجة الرسومات

بينما تعمل كل من وحدات معالجة الرسومات ووحدات معالجة الرسومات على تسريع أعباء عمل تعلّم الآلة، إلا أنها تختلف بشكل كبير:

• الهندسة المعمارية: صُممت وحدات معالجة الرسومات للمعالجة المتوازية، وهي مصممة في الأصل للرسومات، مما يجعلها متعددة الاستخدامات لمختلف المهام المتوازية بما في ذلك التعلم الآلي. تتمتع وحدات معالجة الرسومات ببنية أكثر تخصصًا (وحدات مضاعفة المصفوفات) مُحسّنة خصيصًا لعمليات tensor السائدة في الشبكات العصبية.
• المرونة: توفر وحدات معالجة الرسومات مرونة أكبر بسبب دعم البرامج الأوسع نطاقًاCUDA وأطر عمل التعلم الآلي المختلفة) وإمكانية التطبيق على مهام تتجاوز التعلم الآلي. تم تحسين وحدات معالجة الرسومات (TPUs) بشكل كبير من أجل تعلّم الآلة، وخاصةً التدريب والاستدلال على التعلّم العميق، وهي تعمل بشكل أفضل مع أطر عمل مثل TensorFlow أو JAX، على الرغم من أن دعم PyTorch آخذ في التحسن.
• الكفاءة: بالنسبة لأحمال عمل تعلّم الآلة المتوافقة على نطاق واسع، يمكن لوحدات المعالجة ثلاثية الأبعاد تقديم أداءً فائقاً لكل واط مقارنةً بوحدات معالجة الرسومات. ومع ذلك، قد تكون وحدات معالجة الرسومات أكثر فعالية من حيث التكلفة أو الأداء للمهام الأصغر أو تلك التي تنطوي على عمليات أقل ملاءمة لبنية TPU ومات.

باختصار، تمثل وحدات المعالجة ثلاثية الأبعاد تقدمًا كبيرًا في الأجهزة المصممة خصيصًا لتلبية متطلبات التعلم الآلي الحديث، مما يوفر أداءً وكفاءة محسّنين لتطبيقات ذكاء اصطناعي محددة، لا سيما مهام التدريب والاستدلال واسعة النطاق. كما أنها تكمل المسرعات الأخرى مثل وحدات معالجة الرسومات، وتوفر خيارات تعتمد على عبء العمل المحدد، والحجم، والنظام البيئي للبرامج. يمكنك استكشاف خيارات التدريب، بما في ذلك الموارد السحابية، عبر منصات مثل Ultralytics HUB.