Самая крупная в мире искусственная нейронная сеть построена на базе GPU
объявила о том, что в результате сотрудничества с командой ученых из Стэнфордского Университета была создана крупнейшая в мире искусственная нейронная сеть, предназначенная для изучения процесса обучения человеческого мозга. Данная сеть в 6.5 раз больше предыдущего рекордсмена, созданного командой Google в 2012 году. Компьютеризированные нейронные сети могут “научиться” моделировать поведение мозга, включая распознавание объектов, персонажей, голосов и звуков тем же способом, каким это делает мозг. Однако создание масштабных нейронных сетей обходится очень дорого с точки зрения вычислительных ресурсов. Например, в Google на создание сети, которая научилась самостоятельно распознавать кошек в серии роликов YouTube, ушло порядка 1000 серверов на базе CPU, что эквивалентно 16000 процессорных ядер. Построенная сеть характеризовалась 1.7 млрд. параметров, виртуально отражающих связи между нейронами. В отличие от Googe, команда Стэнфорда, возглавляемая директором лаборатории искусственного интеллекта при университете Эндрю Нг (Andrew Ng), построила такого же масштаба сеть всего на трех серверах, оснащенных графическими процессорами NVIDIA для ускорения обработки больших объемов данных, генерируемых сетью. С помощью 16 серверов на базе графических процессоров NVIDIA команда смогла создать сеть с 11.2 млрд. параметров, что в 6.5 раз больше, чем у сети Google, представленной в 2012 году. Чем больше и мощнее нейронная сеть, тем точнее она справляется с такими задачами, как распознавание объектов, позволяя с помощью компьютера моделировать поведение, близкое к человеческому. Работа команды ученых из Стэнфорда была опубликована на Международной Конференции по Машинному Обучению. “Обеспечивая скорость вычислений намного выше, чем CPU, графические процессоры позволяют проводить моделирование больших массивов данных в крупномасштабных нейросетях , - отмечает Самит Гупта (Sumit Gupta), директор направления Tesla в NVIDIA. - Теперь любой ученый или компания могут применять машинное обучение для решения разнообразных задач с помощью всего нескольких GPU-ускоряемых серверов”. GPU ускорители в основе машинного обучения Машинное обучение, быстро развивающийся сегмент области искусственного интеллекта, - это наука о выполнении действий компьютером без предварительного программирования. В прошлом десятилетии машинное обучение дало самоуправляемые автомобили и эффективный поиск в сети, а также позволило заглянуть глубоко внутрь человеческого генома. Многие ученые считают, что это лучший способ познания человеческого интеллекта. Одной из компаний, применяющей GPU в этой области, является Nuance, лидер в разработке технологий распознавания речи и естественных языков. Nuance учит свои модели нейросетей понимать речь пользователей с помощью терабайтов аудио данных. После обучения модели могут распознавать образцы произнесенных слов путем их сопоставления с изученным материалом. “Графические процессоры значительно ускоряют обучение наших нейросетей, что позволяет нам быстро внедрять новые алгоритмы и методы обучения, - говорит Влад Сейноха (Vlad Sejnoha), технический директор Nuance. - Такие модели повышают точность для всех ключевых технологий Nuance в сегменте здравоохранения, мобильной потребительской электроники и в корпоративном сегменте”.
объявила о том, что в результате сотрудничества с командой ученых из Стэнфордского Университета была создана крупнейшая в мире искусственная нейронная сеть, предназначенная для изучения процесса обучения человеческого мозга. Данная сеть в 6.5 раз больше предыдущего рекордсмена, созданного командой Google в 2012 году. Компьютеризированные нейронные сети могут “научиться” моделировать поведение мозга, включая распознавание объектов, персонажей, голосов и звуков тем же способом, каким это делает мозг. Однако создание масштабных нейронных сетей обходится очень дорого с точки зрения вычислительных ресурсов. Например, в Google на создание сети, которая научилась самостоятельно распознавать кошек в серии роликов YouTube, ушло порядка 1000 серверов на базе CPU, что эквивалентно 16000 процессорных ядер. Построенная сеть характеризовалась 1.7 млрд. параметров, виртуально отражающих связи между нейронами. В отличие от Googe, команда Стэнфорда, возглавляемая директором лаборатории искусственного интеллекта при университете Эндрю Нг (Andrew Ng), построила такого же масштаба сеть всего на трех серверах, оснащенных графическими процессорами NVIDIA для ускорения обработки больших объемов данных, генерируемых сетью. С помощью 16 серверов на базе графических процессоров NVIDIA команда смогла создать сеть с 11.2 млрд. параметров, что в 6.5 раз больше, чем у сети Google, представленной в 2012 году. Чем больше и мощнее нейронная сеть, тем точнее она справляется с такими задачами, как распознавание объектов, позволяя с помощью компьютера моделировать поведение, близкое к человеческому. Работа команды ученых из Стэнфорда была опубликована на Международной Конференции по Машинному Обучению. “Обеспечивая скорость вычислений намного выше, чем CPU, графические процессоры позволяют проводить моделирование больших массивов данных в крупномасштабных нейросетях , - отмечает Самит Гупта (Sumit Gupta), директор направления Tesla в NVIDIA. - Теперь любой ученый или компания могут применять машинное обучение для решения разнообразных задач с помощью всего нескольких GPU-ускоряемых серверов”. GPU ускорители в основе машинного обучения Машинное обучение, быстро развивающийся сегмент области искусственного интеллекта, - это наука о выполнении действий компьютером без предварительного программирования. В прошлом десятилетии машинное обучение дало самоуправляемые автомобили и эффективный поиск в сети, а также позволило заглянуть глубоко внутрь человеческого генома. Многие ученые считают, что это лучший способ познания человеческого интеллекта. Одной из компаний, применяющей GPU в этой области, является Nuance, лидер в разработке технологий распознавания речи и естественных языков. Nuance учит свои модели нейросетей понимать речь пользователей с помощью терабайтов аудио данных. После обучения модели могут распознавать образцы произнесенных слов путем их сопоставления с изученным материалом. “Графические процессоры значительно ускоряют обучение наших нейросетей, что позволяет нам быстро внедрять новые алгоритмы и методы обучения, - говорит Влад Сейноха (Vlad Sejnoha), технический директор Nuance. - Такие модели повышают точность для всех ключевых технологий Nuance в сегменте здравоохранения, мобильной потребительской электроники и в корпоративном сегменте”.