Tổng quan về công nghệ Deep Learning

Đối với nhiều người, khái niệm GPU khiến người ta nghĩ ngay tới việc xử lý hình ảnh, video, chơi game… Nhưng chúng ta đang sống trong thời kỳ Machine Learning và AI, nơi GPU giờ đây có vai trò xử lý rất giống CPU. Đó là lý do đơn giản mà GPU thu hút rất nhiều sự chú ý ngày nay.

Không giống các mạng lưới khác, tất cả thuật toán của deep learning đều thực hiện các phép tính toán số liệu phức tạp. Từ số liệu sàn chứng khoán, hình ảnh chú mèo nhà bạn, cho đến các báo cáo phóng xạ… mọi thứ đều được decode thành các con số. Với hình ảnh, bước đầu tiên là đưa về grayscale format rồi gán từng con số vào mỗi pixel, tùy thuộc vào độ sáng hoặc đen của nó. Tấm hình selfie của bạn sẽ được chuyển hóa thành hàng triệu pixel, rồi thành một ma trận lớn tập hợp các con số. Trong giai đoạn training, những ma trận số này được sắp xếp tương ứng theo từng lớp phân loại — ví dụ, khi training một neural network với 1.000 hình chú mèo, ta sẽ có một mô hình dùng để nhận biết mèo trong một tấm hình. Để quá trình training diễn ra nhanh chóng, việc tính toán cần được thực hiện song song với nhau.

So sánh GPU và CPU

CPU được thiết kế để giải quyết việc tính toán theo quy trình tuần tự — từng phép tính chờ đến lượt mình. Một CPU đa nhân có thể tăng tốc độ tính toán bằng cách loading nhiều phép tính vào mỗi core, nhưng CPU đa nhân lại quá đắt đỏ, khiến việc dùng CPU để training các neural network không tối ưu về mặt chi phí.

Nói vậy không có nghĩa CPU không có “đất sống” — có những tác vụ vẫn rất cần các core “lực lưỡng”, và sự kết hợp giữa CPU, GPU và RAM cùng các chỉ số cấu hình thích hợp sẽ cho ra một hệ thống hoàn hảo cho deep learning.

Các nhà cung cấp dịch vụ cloud lớn của thế giới như Amazon, Google, IBM và Microsoft cũng bắt đầu cung cấp dịch vụ Cloud Server trên nền GPU. Những VM này được xây dựng trên nền tảng mới nhất của Nvidia Tesla, đủ mang tới sức mạnh cần thiết cho các tác vụ Deep Learning. Các hãng Cloud Server cũng có thể tính phí theo giờ, tùy nhu cầu sử dụng.