اكتشف كيف تسرّع وحدات المعالجة الحرارية TPUs من Google من عملية التعلّم الآلي بسرعة لا مثيل لها وكفاءة في استخدام الطاقة وأداء مُحسّن TensorFlow .
وحدة المعالجة Tensor (TPU) هي دائرة متكاملة خاصة بالتطبيقات (ASIC) مطورة خصيصًا تم إنشاؤها بواسطة Google خصيصًا لتسريع أعباء عمل التعلم الآلي. وقد صُممت وحدات المعالجة TPUs لأداء العمليات الحسابية السريعة والكبيرة الحجم التي تتطلبها الشبكات العصبية، خاصةً للمهام التي تتضمن المصفوفات الموترة، وهي مصفوفات متعددة الأبعاد من البيانات. تتفوق هذه المعالجات في التعامل مع عمليات المصفوفات الأساسية للتدريب والاستدلال في نماذج التعلم العميق، مما يجعلها أسرع بكثير وأكثر كفاءة في استخدام الطاقة من وحدات المعالجة المركزية للأغراض العامة أو حتى وحدات معالجة الرسومات لهذه المهام المحددة.
تم تحسين وحدات المعالجة الحرارية TPUs من أجل إنتاجية حسابية عالية ودقة حسابية منخفضة، مما يعني أنه يمكنها إجراء العمليات الحسابية بدقة أقل دون خسارة كبيرة في الدقة للعديد من تطبيقات التعلم الآلي. يسمح هذا النهج لوحدات المعالجة الحرارية بمعالجة المزيد من العمليات في الثانية مع استهلاك طاقة أقل. وقد صُممت بنية وحدات المعالجة الحرارية ثلاثية الأبعاد خصيصاً لتسريع أداء TensorFlow ، Google وهو إطار عمل التعلم الآلي مفتوح المصدر، على الرغم من أنه يمكن استخدامها أيضاً مع أطر عمل أخرى من خلال واجهات برمجية مناسبة.
في حين أن وحدات المعالجة المركزية هي معالجات للأغراض العامة قادرة على التعامل مع مجموعة واسعة من المهام، ووحدات معالجة الرسومات متخصصة في المعالجة المتوازية، خاصة في مجال الرسومات والألعاب، فإن وحدات المعالجة التركيبية مُحسَّنة بشكل فريد لمهام التعلم الآلي. ومقارنةً بوحدات معالجة الرسومات، توفر وحدات معالجة الرسوميات إنتاجية حسابية أعلى لأنواع محددة من حسابات التعلم الآلي. وهذا ما يجعلها مفيدة بشكل خاص للتطبيقات التي تتطلب تدريب نماذج كبيرة ومعقدة أو إجراء الاستدلال على مجموعات بيانات كبيرة. ومع ذلك، تظل وحدات معالجة الرسومات أكثر تنوعًا في مجموعة واسعة من التطبيقات التي تتجاوز التعلم الآلي. تعرف على المزيد حول TensorFlowإطار عمل غالبًا ما يُستخدم مع وحدات معالجة الرسوميات.
وقد وجدت وحدات المعالجة الحرارية التقنية تطبيقات في مجالات مختلفة، مما يدل على فعاليتها في تسريع مهام التعلم الآلي. ومن الأمثلة البارزة على ذلك:
Google يوفر إمكانية الوصول إلى وحدات المعالجة ثلاثية الأبعاد من خلال Google Cloud، مما يسمح للباحثين والمطورين والشركات بالاستفادة من قدراتها في مشاريع التعلم الآلي الخاصة بهم. يمكن للمستخدمين الاستفادة من وحدات المعالجة ثلاثية الأبعاد من خلال خدمات مختلفة، مثل Google Colab، التي توفر وصولاً مجانيًا إلى وحدات المعالجة ثلاثية الأبعاد للأغراض التعليمية والبحثية، ومنصة الذكاء الاصطناعي Google Cloud، التي توفر موارد TPU قابلة للتطوير للتطوير للتطبيقات التجارية.
بينما يركز Ultralytics على تطوير أحدث نماذج الكشف عن الأجسام مثل Ultralytics YOLO ، فإن الأجهزة الأساسية التي تسرّع تدريب واستدلال هذه النماذج أمر بالغ الأهمية. على الرغم من أن نماذج Ultralytics مصممة لتكون متعددة الاستخدامات ويمكن تشغيلها بكفاءة على وحدات المعالجة المركزية ووحدات معالجة الرسومات، إلا أن الاستفادة من وحدات معالجة الرسوميات يمكن أن تعزز الأداء بشكل كبير في مهام معينة. على سبيل المثال، يمكن أن يستفيد تدريب نماذج كبيرة على مجموعات بيانات واسعة النطاق أو نشر نماذج للاستدلال عالي الإنتاجية من قدرات المعالجة المتخصصة لوحدات المعالجة الحرارية. يمكنك استكشاف خيارات نشر النماذج لنماذج YOLO الخاصة بك، بما في ذلك تنسيقات مثل ONNX و OpenVINO و TensorRT ، مع ذكر إيجابيات وسلبيات كل منها لإبلاغ استراتيجية النشر الخاصة بك.
بالإضافة إلى ذلك، يمكنك التعرف على كيفية تصدير النماذج Ultralytics YOLO إلى تنسيق TensorFlow SavedModel لسهولة النشر عبر مختلف المنصات والبيئات.
%25202.png)
%202.png)
