GPU (Unidade de processamento gráfico)

Importância da IA e da aprendizagem automática

O poder de processamento paralelo das GPUs tem sido um dos principais impulsionadores dos recentes avanços na IA. O treino de redes neurais profundas envolve grandes quantidades de dados e operações computacionalmente intensivas, como multiplicações de matrizes. As GPUs são excelentes nestas tarefas, reduzindo significativamente o tempo necessário para treinar modelos complexos em comparação com as Unidades Centrais de Processamento (CPUs) tradicionais. Esta aceleração permite aos investigadores e programadores iterar mais rapidamente, fazer experiências com conjuntos de dados maiores e resolver problemas como a deteção de objectos e a segmentação de imagens com maior precisão e rapidez. Por exemplo, os modelosUltralytics YOLO dependem fortemente de GPUs para alcançar um elevado desempenho em tarefas de visão em tempo real. O acesso a GPUs potentes, muitas vezes através de plataformas de computação em nuvem ou hardware dedicado, é crucial para o desenvolvimento moderno da IA.

Principais diferenças em relação às CPUs e TPUs

Embora trabalhem frequentemente em conjunto num sistema, as GPUs, CPUs e Unidades de ProcessamentoTensor (TPUs) têm arquitecturas distintas e casos de utilização ideais:

• CPU (Unidade Central de Processamento): Concebidas para computação de uso geral, as CPUs são excelentes em tarefas sequenciais e na gestão de operações do sistema. Elas têm alguns núcleos poderosos otimizados para baixa latência em uma ampla variedade de cargas de trabalho. Vê uma comparação entre CPU e GPU.
• GPU (Unidade de Processamento Gráfico): Otimizadas para processamento paralelo, as GPUs têm milhares de núcleos mais simples projetados para lidar com muitas tarefas simultaneamente. Isso as torna ideais para os cálculos paralelos de dados comuns em aprendizagem profunda, renderização de gráficos e computação de alto desempenho (HPC). Os principais fornecedores incluem NVIDIA e AMD.
• TPU (Unidade de ProcessamentoTensor ): Desenvolvidas pelo Google, as TPUs são circuitos integrados específicos de aplicativos (ASICs) projetados especificamente para acelerar cargas de trabalho de ML, particularmente aquelas que usam o TensorFlow TensorFlow. Oferecem um elevado desempenho para operações tensor específicas, mas podem ser menos versáteis do que as GPUs. Para mais informações, consulta a página TPU daGoogle.

As GPUs oferecem um equilíbrio entre alto desempenho para tarefas paralelas e ampla aplicabilidade, suportado por ecossistemas de software maduros como o CUDA da NVIDIA e estruturas como o PyTorch. A configuração de ambientes GPU pode ser simplificada usando ferramentas como o Docker; consulte o guia de início rápido do Docker para obter detalhes.

Aplicações do mundo real em IA

As GPUs são parte integrante de muitas aplicações de IA de ponta:

• Veículos autónomos: As GPUs processam vastos fluxos de dados de câmaras, LiDAR e radar em tempo real para permitir a perceção, o planeamento de caminhos e a tomada de decisões para a IA em carros autónomos. Empresas como a Tesla dependem fortemente das GPUs para os seus sistemas autónomos.
• Análise de imagens médicas: Nos cuidados de saúde, as GPUs aceleram a análise de imagens médicas complexas, como ressonâncias magnéticas, tomografias computorizadas e raios X, ajudando os radiologistas a detetar anomalias, segmentar tecidos e melhorar a precisão do diagnóstico. Esta é uma área chave para a análise de imagens médicas, com plataformas como NVIDIA Clara a fornecer ferramentas especializadas.

As GPUs também são cruciais para modelos de treinamento implantados em dispositivos de ponta, como os que usam a plataformaNVIDIA Jetson. O treinamento desses modelos geralmente ocorre em GPUs poderosas, possivelmente usando plataformas como o Ultralytics HUB para fluxos de trabalho simplificados.