German researcher sa paggamit GPU computing sa econophysics at statistical physics, kabilang ang para sa pagsusuri ng impormasyon sa stock market. Ipinakita namin sa iyong pansin ang mga pangunahing punto ng materyal na ito.

Tandaan: Ang artikulo sa magazine ay may petsang 2011, mula noon ay lumitaw ang mga bagong modelo ng GPU device, gayunpaman, ang mga pangkalahatang diskarte sa paggamit ng tool na ito sa imprastraktura para sa online na kalakalan ay nanatiling hindi nagbabago.

Ang mga kinakailangan para sa kapangyarihan ng pag-compute ay lumalaki sa iba't ibang lugar. Isa sa mga ito ang pagsusuri sa pananalapi, na kinakailangan para sa matagumpay na pangangalakal sa stock market, lalo na sa mga pondo ng HFT. Upang makapagpasya na bumili o magbenta ng mga pagbabahagi, dapat suriin ng algorithm ang isang malaking halaga ng data ng pag-input - impormasyon tungkol sa mga transaksyon at kanilang mga parameter, kasalukuyang mga quote at trend ng presyo, atbp.

Ang oras na lilipas mula sa paglikha ng isang buy o sell order hanggang sa pagtanggap ng tugon tungkol sa matagumpay na pagkumpleto nito mula sa exchange server ay tinatawag na round-trip (RTT). Ginagawa ng mga kalahok sa merkado ang kanilang makakaya upang bawasan ang oras na ito, lalo na, para dito gumagamit sila ng mga teknolohiya para sa direktang pag-access sa palitan, at ang mga server na may software ng kalakalan ay matatagpuan sa isang pasilidad ng colocation sa tabi ng trading engine ng mga palitan.

Gayunpaman, ang mga teknolohikal na posibilidad para sa pagbabawas ng roundtrip ay limitado, at pagkatapos na sila ay maubos, ang mga mangangalakal ay nahaharap sa tanong kung paano pa nila mapapabilis mga operasyon sa pangangalakal. Upang makamit ito, ang mga bagong diskarte sa pagbuo ng imprastraktura para sa online na kalakalan ay ginagamit. Sa partikular, ginagamit ang mga FPGA at GPU. Sumulat kami kanina tungkol sa pagpapabilis ng HFT trading gamit ang programmable hardware, ngayon ay pag-uusapan natin kung paano magagamit ang mga GPU para dito.

Ano ang GPU

Ang arkitektura ng mga modernong graphics card ay batay sa isang nasusukat na hanay ng mga streaming multiprocessor. Ang isang naturang multiprocessor ay naglalaman ng walong scalar mga core ng processor, multi-threaded instruction module, shared memory na matatagpuan sa chip (on-chip).

Kapag ang isang C program na gumagamit ng mga extension ng CUDA ay tumawag sa isang GPU kernel, ang mga kopya ng kernel na iyon, o mga thread, ay binibilang at ipinamamahagi sa mga available na multiprocessor, kung saan magsisimula ang kanilang pagpapatupad. Para sa pagnunumero at pamamahagi na ito, ang pangunahing network ay nahahati sa mga bloke, na ang bawat isa ay nahahati sa iba't ibang mga thread. Ang mga thread sa naturang mga bloke ay gumagana nang sabay-sabay sa mga magagamit na multiprocessor. Upang pamahalaan ang isang malaking bilang ng mga thread, ginagamit ang SIMT (single-instruction multiple-thread) module. Pinagpangkat-pangkat ng module na ito ang mga ito sa "mga pakete" ng 32 thread. Ang mga naturang grupo ay isinasagawa sa parehong multiprocessor.

Pagsusuri ng data sa pananalapi sa GPU

Ang pagsusuri sa pananalapi ay gumagamit ng maraming mga panukala at tagapagpahiwatig, ang pagkalkula kung saan nangangailangan ng malubhang kapangyarihan sa pag-compute. Sa ibaba ay ililista namin ang ilan sa mga ito at ihambing ang bilis ng pagproseso na ipinapakita ng isang "regular" na processor Intel Core 2 Quad CPU (Q6700) na may clock frequency na 2.66 GHz at laki ng cache na 4096 kilobytes, pati na rin ang mga sikat na graphics card.

Hurst exponent

Ang isang panukalang tinatawag na Hurst exponential ay ginagamit sa pagsusuri ng time series. Bumababa ang halagang ito kung tataas ang pagkaantala sa pagitan ng dalawang magkaparehong pares ng mga halaga sa serye ng oras. Ang konsepto ay orihinal na ginamit sa hydrology upang matukoy ang laki ng isang dam sa Ilog Nile sa mga kondisyon ng hindi inaasahang pag-ulan at tagtuyot.

Kasunod nito, ang Hurst exponent ay nagsimulang gamitin sa ekonomiya, lalo na sa teknikal na pagsusuri upang mahulaan ang mga uso sa paggalaw ng serye ng presyo. Nasa ibaba ang isang paghahambing ng bilis ng pagkalkula ng Hurst exponent sa CPU at GPU (acceleration indicator β = kabuuang oras ng pagkalkula sa CPU / kabuuang oras ng pagkalkula sa GeForce 8800 GT GPU):

Ising model at Monte Carlo method

Ang isa pang tool na lumipat sa larangan ng pananalapi, sa oras na ito mula sa pisika, ay ang modelo ng Ising. Ang mathematical model na ito ng statistical physics ay idinisenyo upang ilarawan ang magnetization ng isang materyal.

Ang bawat taluktok ng kristal na sala-sala (hindi lamang tatlong-dimensional, ngunit isa-at dalawang-dimensional na mga pagkakaiba-iba ay isinasaalang-alang) sa isang numero na tinatawag na spin at katumbas ng +1 o −1 (“field up”/“field down” ). Ang bawat isa sa 2^N posibleng mga opsyon ang pag-aayos ng mga spin (kung saan ang N ay ang bilang ng mga atomo ng sala-sala) ay itinalaga ang enerhiya na nagreresulta mula sa magkapares na interaksyon ng mga spin ng mga kalapit na atomo. Susunod, para sa isang naibigay na temperatura, ang pamamahagi ng Gibbs ay isinasaalang-alang - ang pag-uugali nito ay isinasaalang-alang sa malaking bilang N atomo.

Sa ilang modelo (halimbawa, na may mga dimensyon > 1), may sinusunod na second-order phase transition. Ang temperatura kung saan nawawala ang magnetic properties ng isang materyal ay tinatawag na kritikal (Curie point). Sa paligid nito, ang isang bilang ng mga thermodynamic na katangian ay nagkakaiba.

Sa una, ang modelo ng Ising ay ginamit upang maunawaan ang likas na katangian ng ferromagnetism, ngunit nang maglaon ay naging mas laganap ito. Sa partikular, ginagamit ito upang gumawa ng mga generalisasyon sa mga sistemang sosyo-ekonomiko. Halimbawa, tinutukoy ng paglalahat ng modelong Ising ang pakikipag-ugnayan ng mga kalahok sa merkado ng pananalapi. Ang bawat isa sa kanila ay may diskarte sa pag-uugali, ang pagiging makatwiran nito ay maaaring limitado. Mga desisyon tungkol sa kung magbebenta o bumili ng mga pagbabahagi at kung anong presyo ang nakasalalay sa mga nakaraang desisyon ng isang tao at ang kanilang kinalabasan, gayundin sa mga aksyon ng iba pang mga kalahok sa merkado.

Ang modelong Ising ay ginagamit upang imodelo ang pakikipag-ugnayan sa pagitan ng mga kalahok sa merkado. Upang ipatupad ang modelong Ising at pagmomolde ng simulation Ginagamit ang paraan ng Monte Carlo, na nagpapahintulot sa iyo na bumuo modelo ng matematika para sa isang proyekto na may hindi natukoy na mga halaga mga parameter.

Nasa ibaba ang paghahambing ng pagganap ng simulation sa CPU at GPU ( NVIDIA GeForce GTX 280):

May mga pagpapatupad ng modelong Ising na ginagamit sa panahon ng pagsusuri iba't ibang dami umiikot Nagbibigay-daan sa iyo ang pagpapatupad ng multi-spin na mag-load ng ilang mga spin nang magkatulad.

Pagpapabilis na may maraming GPU

Upang pabilisin ang pagproseso ng data, ginagamit din ang mga kumpol ng mga GPU device - sa kasong ito, nagtipon ang mga mananaliksik ng isang kumpol ng dalawang Tesla C1060 GPU card, kung saan ang komunikasyon ay isinagawa sa pamamagitan ng Double Data Rate InfiniBand.

Sa kaso ng mga simulation ng Monte Carlo ng modelong Ising, ang mga resulta ay nagpapahiwatig na ang pagganap ay tumataas nang halos linearly habang mas maraming GPU ang idinaragdag.

Konklusyon

Ipinapakita ng mga eksperimento na ang paggamit ng mga GPU ay maaaring humantong sa makabuluhang pagpapahusay sa performance pagsusuri sa pananalapi. Kasabay nito, ang pagtaas ng bilis kumpara sa paggamit ng isang arkitektura ng CPU ay maaaring umabot ng ilang sampu-sampung beses. Kasabay nito, makakamit mo ang isang mas malaking pagtaas sa pagganap sa pamamagitan ng paglikha ng mga kumpol ng GPU - sa kasong ito, lumalaki ito nang halos linearly.

Nagpasya kang bumili ng computer. Maglakad kasama ang mga shopping aisles, tingnan ang mga tag ng presyo, kilalanin ang mga katangian. At ang tanong ay lumitaw: ano ang isang GPU? Kadalasan nakikita mo ang kumbinasyong ito ng mga titik, ngunit hindi mo nakikita ang kahulugan. Subukan nating ipaliwanag.

GPU - ano ito at paano ito naiiba sa CPU?

Ang GPU ay nangangahulugang "graphics processing unit", o GPU. Ito ay isang hiwalay na device para sa isang game console, computer, o camera. Responsable para sa pag-render ng graphics at ginagawa ito. Ang GPU ay nakayanan ang gawaing ito nang mahusay, dahil sa arkitektura ng pipeline na espesyal na idinisenyo para sa mga layuning ito. Ang mga modernong GPU ay nagpoproseso ng mga graphics nang mas mahusay kaysa sa kanilang mga klasikong central processing unit (CPU).

Sa kasalukuyan, ang GPU ay ginagamit bilang isang 3D graphics accelerator, ngunit sa mga pambihirang kaso maaari itong gamitin para sa pag-compute. Ang pagkakaiba sa pagitan ng isang GPU at isang CPU ay ang mga sumusunod:

• arkitektura: ito ay naglalayong sa maximum sa mataas na bilis ng pagkalkula ng kumplikado mga graphic na bagay at mga texture;
• medyo mababa ang command set.

Ang napakalaking kapangyarihan sa pag-compute ay eksaktong ipinaliwanag ng mga tampok ng arkitektura. Kasama ng mga modernong CPU na naglalaman ng ilang mga core (2/4/8, na itinuturing na isang tagumpay), orihinal na binuo ang GPU bilang isang multi-core na istraktura. Ang bilang ng mga core dito ay nasa daan-daan!

Ipinapaliwanag din ng pagkakaiba sa arkitektura ang pagkakaiba sa prinsipyo ng pagpapatakbo. Kung ang arkitektura ng CPU ay idinisenyo para sa sunud-sunod na pagpoproseso ng data, kung gayon ang GPU ay orihinal na idinisenyo upang gumana sa mga computer graphics, at samakatuwid ay idinisenyo para sa napakalaking ngunit parallel na mga kalkulasyon.

Ang bawat isa sa mga arkitektura ay may sariling mga pakinabang. Ang CPU ay mas mahusay sa sunud-sunod na mga gawain. Para sa malaking dami ng naprosesong impormasyon, may kalamangan ang GPU. Ang pangunahing kondisyon ay ang gawain ay dapat mapanatili ang paralelismo.

Marami ka na ngayong alam tungkol sa GPU, kung ano ang GPU, at maaari mo ring sabihin sa iyong mga kaibigan.

Ang mga CPU at GPU ay halos magkatulad; Ngunit paano nga ba magkaiba ang dalawang ito? mahahalagang sangkap anumang computer sa bahay?

Sa artikulong ito susubukan naming ipaliwanag sa napakasimple at madaling paraan kung ano ang pagkakaiba sa pagitan ng isang CPU at isang GPU. Ngunit kailangan muna nating tingnan ang dalawang processor na ito nang hiwalay.

Ang CPU (Central Processing Unit o Central Processing Unit) ay madalas na tinatawag na "utak" ng computer. Sa loob ng gitnang processor mayroong halos isang milyong transistor, sa tulong kung saan ang iba't ibang mga kalkulasyon ay ginaganap. Ang mga home computer ay karaniwang may mga processor na may 1 hanggang 4 na core na may clock speed na humigit-kumulang 1 GHz hanggang 4 GHz.

Malakas ang processor dahil kaya nitong gawin ang lahat. Ang isang computer ay may kakayahang magsagawa ng isang gawain dahil ang processor ay may kakayahang gawin ang gawaing iyon. Nagawa ito ng mga programmer salamat sa malawak na set ng pagtuturo at malalaking listahan ng mga function na ibinahagi sa mga modernong central processing unit.

Ano ang GPU?

Ang GPU (Graphics Processing Unit o Graphics Processing Unit) ay isang espesyal na uri ng microprocessor na na-optimize para sa napakaspesipikong computing at graphics display. Ang isang GPU ay tumatakbo sa isang mas mababang bilis ng orasan kaysa sa isang CPU, ngunit may higit pang mga core ng pagproseso.

Maaari mo ring sabihin na ang GPU ay isang espesyal na CPU na ginawa para sa isang partikular na layunin - pag-render ng video. Sa panahon ng pag-render, ang GPU ay nagsasagawa ng mga simpleng kalkulasyon sa matematika nang maraming beses. Ang GPU ay may libu-libong mga core na tatakbo nang sabay-sabay. Bagama't ang bawat GPU core ay mas mabagal kaysa sa CPU core, ito ay mas mahusay pa rin para sa pagsasagawa ng mga simpleng gawain. mga kalkulasyon sa matematika kinakailangan upang magpakita ng mga graphic. Ang napakalaking parallelism na ito ang dahilan kung bakit ang GPU ay may kakayahang mag-render ng kumplikadong 3D graphics na kinakailangan ng mga modernong laro.

Pagkakaiba sa pagitan ng CPU at GPU

Ang GPU ay maaari lamang gumawa ng isang maliit na bahagi ng mga bagay na magagawa ng isang CPU, ngunit ginagawa nito ito sa hindi kapani-paniwalang bilis. Gagamit ang GPU ng daan-daang core para magsagawa ng mga agarang kalkulasyon sa libu-libong pixel habang nagre-render ng mga kumplikadong 3D graphics. Ngunit upang makamit mataas na bilis Ang GPU ay dapat magsagawa ng mga monotonous na operasyon.

Kunin natin halimbawa Nvidia GTX 1080. Ang video card na ito ay may 2560 shader core. Salamat sa mga core na ito, ang Nvidia GTX 1080 ay maaaring magsagawa ng 2,560 na mga tagubilin o operasyon sa isang ikot ng orasan. Kung gusto mong gawing 1% na mas maliwanag ang larawan, kakayanin ito ng GPU nang hindi nahihirapan. Ngunit ang quad-core Intel Core i5 central processor ay maaari lamang magsagawa ng 4 na tagubilin sa isang ikot ng orasan.

Gayunpaman, ang mga CPU ay mas nababaluktot kaysa sa mga GPU. Ang mga central processing unit ay may mas malaking set ng pagtuturo upang mas makapagsagawa sila malawak na hanay mga function. Gayundin ang mga CPU ay gumagana sa mas mataas na maximum bilis ng orasan at may kakayahang kontrolin ang input at output ng mga bahagi ng computer. Halimbawa, ang central processing unit ay maaaring isama sa virtual na memorya, na kinakailangan upang ilunsad ang isang modernong operating system. Ito mismo ang hindi magagawa ng GPU.

GPU Computing

Kahit na ang mga GPU ay idinisenyo para sa pag-render, ang mga ito ay may kakayahang higit pa. Ang pagpoproseso ng graphics ay isang uri lamang ng paulit-ulit na parallel computation. Iba pang mga gawain tulad ng Pagmimina ng bitcoin at ang pag-crack ng password ay umaasa sa parehong mga uri ng napakalaking set ng data at simpleng mathematical na kalkulasyon. Ito ang dahilan kung bakit ang ilang mga gumagamit ay gumagamit ng mga video card para sa mga hindi graphical na operasyon. Ang phenomenon na ito ay tinatawag na GPU Computation o GPU computing.

Mga konklusyon

Sa artikulong ito inihambing namin ang CPU at GPU. Sa tingin ko, naging malinaw sa lahat na ang mga GPU at CPU ay may magkatulad na layunin, ngunit na-optimize para sa iba't ibang mga kalkulasyon. Isulat ang iyong opinyon sa mga komento, susubukan kong sagutin.

Naka-on ang pangunahing chip motherboard– ito ang gitnang processor (CPU – Central Processor Unit). Central dahil kinokontrol nito ang lahat ng iba pang subsystem gamit ang bus system at chipset.

Ang subsystem na kumokontrol sa visualization at pagpapakita ng impormasyon sa screen ay tinatawag na video system. Ito ay isinama sa motherboard sa pamamagitan ng isang puwang sa anyo ng isang video card. Ang video card ay isang engineering solution at isang board na may sarili nitong processor (kaya GPU) at RAM.

GPU NVidia Nv45 sa video card

Ang processor sa video card ay tinatawag na GPU (Graphic Processor Unit) upang bigyang-diin ang:

1. Ano ang processor na ito?
2. Na ito ay hindi sentral, iyon ay, subordinate sa CPU.
3. Na ito ay nakatuon sa pagproseso ng espesyal na data - graphics.

Lokasyon ng GPU sa motherboard

Dahil ang pagpoproseso ng graphics ay isang espesyalisasyon sa pagproseso ng data, ang GPU ay isang dalubhasang CPU. Sa lohikal na paraan, ang pagdadalubhasa ay ipinahayag sa pamamagitan ng paghihiwalay ng GPU mula sa CPU, sa pisikal - sa pamamagitan ng katotohanan na ang GPU ay idinisenyo nang iba.

Naglalaman ang CPU ng dose-dosenang mga core, GPU - libu-libo

Ang pisikal na pagpapatupad na ito ng GPU ay nabibigyang katwiran ng pangangailangang magproseso ng libu-libo magkatulad na gawain, na nauugnay sa pag-render. Ang sentral na processor ay nakatuon sa pagproseso ng data - mahaba at sunud-sunod na mga gawain.

Ang isang modernong CPU (CPU) ay maaaring magsama ng isang graphics processing unit.

Quad-core processor na may karagdagang graphics core GPU

Ang solusyon na ito ay nagpapahintulot sa computer na gawin nang walang video card dahil sa GPU na nakapaloob sa gitnang processor. Binabawasan nito ang pagkonsumo ng enerhiya ng 30 hanggang 180%. Ang gastos ng processor ay tumataas ng hindi hihigit sa 20%.

Ang pangunahing kawalan ng pagpapatupad na ito ay mababang pagganap. Ang solusyon na ito ay angkop para sa mga kompyuter sa opisina, kung saan gumagana ang mga ito sa mga dokumento at database, ngunit moderno laro sa kompyuter Hindi mo ito mapapatakbo, ang Photoshop ay bumagal, at ang AutoCAD ay maaaring mag-freeze.

Paano malalaman ang GPU sa isang computer

Para sa gumagamit, ang GPU ay malakas na nauugnay sa isang video card, bagama't ito ay isang processor lamang. Alamin kung alin graphics adapter naka-install sa isang computer ay kapaki-pakinabang sa tatlong mga kaso:

• kapag nag-i-install o nag-a-update ng mga driver;
• kapag tinatasa ang isang computer para sa pagsunod kinakailangan ng system software;
• para ipakita sa mga kaibigan.

Kung ang lahat ng mga driver ay naka-install sa iyong computer, ang pinakamabilis na paraan ay upang tumingin sa manager ng device, sa seksyon ng mga adapter ng video:

Tingnan ang GPU sa Device Manager

Kung hindi naka-install ang mga driver, magpapakita lamang ang device manager ng mensahe tungkol sa mga hindi kilalang device:

GPU sa Device Manager kung nawawala ang mga driver

Sa kasong ito, i-download Utility ng CPU-Z, tumakbo at pumunta sa tab na “Graphics” (Graphics sa English na bersyon):

Tingnan ang GPU sa CPU-Z na programa

helpadmins.ru

GPU ano ito sa isang computer?

Kumusta sa lahat, ang GPU ay ang pagtatalaga ng isang video card, o mas tiyak, isang graphics processor. Ang salitang ito, mabuti, iyon ay, ang pagdadaglat ay madalas na matatagpuan sa ilang mga katangian, halimbawa, sa mga katangian. Intel processor Mayroong isang bagay bilang Integrated GPU, na nangangahulugang built-in na video card. Well, tama, ito ay talagang built-in, ang video chip ay nakaupo mismo sa processor, ito ay hindi balita, tulad ng dati

Iyon ay, nakuha na namin ang konklusyon na ang GPU ay isang video device. Ngunit ano pa ang mahalagang maunawaan? Isinulat ko na ang GPU ay matatagpuan sa mga katangian, ang lahat ay tama, ngunit bilang karagdagan dito maaari rin itong matagpuan sa mga programa na nagpapakita ng temperatura. Sa tingin ko alam mo ang mga ganitong programa.. Well, o hindi mo alam, sa madaling salita, sa anumang kaso, kung ano ang isusulat ko ngayon ay magiging kapaki-pakinabang para sa iyo na malaman. ibig sabihin pinag-uusapan natin tungkol sa temperatura ng GPU. Sinasabi ng maraming tao na ang video camera ay maaaring gumana sa 80 degrees, ngunit ipinapahayag ko na ito ay masyadong mataas na temperatura! At sa pangkalahatan, sa palagay ko ang higit sa 70 ay hindi pamantayan!

Sa pamamagitan ng paraan, ang GPU ay kumakatawan sa Graphics Processing Unit

At narito ang mismong graphics chip, iyon ay, ang GPU, kaya itinuro ko ito sa board gamit ang mga arrow:

Ngunit ano ang normal na temperatura kung gayon? Hanggang 60 degrees, aba, maximum of 66, well, 70 degrees na ang kisame... Pero sa itaas niyan, sa tingin ko, hindi na ito masyadong maganda, kaya lang, ang ganoong temperatura ay tiyak na hindi magpapahaba ng buhay ng serbisyo. , sumasang-ayon ka ba sa akin? Well, meron pa kawili-wiling punto, sa madaling salita, kung ang video card ay nagiging mainit, pagkatapos ay sumpain din nito ang init nito sa kaso, mabuti, malinaw na hindi ito magiging cool sa loob nito, at pagkatapos ay ang proseso ay magiging mainit, sa madaling salita, masaya! Tandaan na TEMPERATURE ang makakabawas sa buhay ng device! Dito sa mga lumang motherboard mula sa mataas na temperatura sumabog mga electrolytic capacitor.. Kung hindi ka naniniwala sa akin, maaari mong hanapin ang iyong sarili sa Internet..

Well, tell me, malinaw ba sa iyo ang lahat? Sa totoo lang, umaasa ako! Well, kung may mali, well, sorry!

Sa pangunahing pahina! video card 05/17/2017

virtmachine.ru

Ano ang ibig sabihin ng GPU?

GPU (Graphical Processing Unit)

Ang GPU (graphics processing unit) ay isang high-tech na device na responsable para sa pagproseso ng mga graphics sa mga computer, laptop, at mobile phone. Ang mga modernong GPU ay may espesyal na arkitektura ng pipeline, na ginagawa itong napakahusay sa pagproseso graphic na impormasyon kumpara sa isang tipikal na gitnang processor. Maaaring gamitin bilang bahagi ng discrete na video card, at sa mga pinagsama-samang solusyon (built in hilagang tulay o sa isang hybrid na processor).

Ang mga pangunahing pagkakaiba sa pagitan ng GPU at CPU:

1. Arkitektura (pinakamataas na diin sa pagproseso mga graphic na texture)
2. Limitadong hanay ng mga executive team

Mataas na bilis at kapangyarihan Mga processor ng GPU sa oras na ito ay ipinaliwanag sa pamamagitan ng mga peculiarities ng construction architecture. Kung ang mga modernong CPU ay binubuo ng 2-6 na mga core, ang GPU ay itinuturing na isang multi-core na istraktura na gumagamit ng hanggang sa daan-daang mga core nang sabay-sabay. Ipinapalagay ng CPU ang pagpoproseso ng impormasyon nang sunud-sunod, at ang GPU ay idinisenyo para sa multi-threaded magkatulad na gawain na may maraming impormasyon.

windows-gadjet.ru

Ano ang isang GPU at para saan ito?

Ang graphics processor o sa English GPU - Graphics Processing Unit - ay isang device na isang microcircuit, isang chip na bahagi ng isang video adapter (video card) o motherboard.

Ang GPU ay responsable para sa pagbuo (pag-render) ng imahe.

Sa madaling salita, ang papel at kahalagahan ng GPU ay maaaring ilarawan bilang mga sumusunod:

Natatanggap ng GPU mula sa central processing unit (CPU) ang data sa pagpoproseso na kinakailangan upang makabuo ng isang imahe, pagkatapos ay iproseso ito at ihahanda ito para sa karagdagang mga operasyon, sa gayon ay lubos na nagpapabilis sa proseso ng pagbuo ng imahe at binabawasan ang pagkarga sa gitnang processor

Ang graphics processor ay isang opsyonal na bahagi;

Hindi tulad ng gitnang processor, ang graphics processor, dahil sa mga pagkakaiba sa arkitektura (istraktura, aparato), ay may kakayahang magproseso ng sampu, daan-daan, libu-libong beses na mas mabilis. ilang uri mga operasyon, halimbawa, pagproseso ng data upang makabuo ng isang imahe at higit pa.

Ang GPU ay maaaring discrete, iyon ay, bahagi ng isang video card na ginawa sa anyo ng isang expansion card (device) na naka-install sa expansion slot ng motherboard Sa kasong ito, ang lahat ng mga karagdagang bahagi ay matatagpuan sa isang naka-print na circuit board, na madaling maalis o mapalitan anumang oras.

O ito ay isinama, bahagi ng motherboard mismo ng device Sa kasong ito, ang graphics processor ay matatagpuan sa motherboard, ang lahat ng mga karagdagang bahagi ay matatagpuan sa malapit. Ginagamit sa mga personal na computer, smartphone, mga game console at iba pa.

19-06-2017, 20:38 Detaillook

www.detaillook.com

NVIDIA GPU at paghahambing ng GPU at CPU

Cloud Computing radikal na binago ang lahat ng mga industriya, pagdemokrasya sa mga sentro ng data at ganap na pagbabago sa paraan ng pagpapatakbo ng mga negosyo. Ang pinakamahalagang asset ng kumpanya ay naka-store na ngayon sa cloud ng iyong napiling provider. Gayunpaman, upang kunin pinakamataas na benepisyo mula sa magagamit na data, kinakailangan ang isang angkop na solusyon sa computing na may mataas na pagganap.

NVIDIA software Malalim na Pag-aaral nilikha upang magbigay pinakamataas na pagganap sa pinakamabilis na GPU sa buong mundo at may kasamang mga na-optimize na framework ng malalim na pag-aaral, mga aklatan, mga driver at OS ang pinag-isang software na ito ay tumatakbo sa iba't ibang mga computing platform, mula sa TITAN X graphics card at GeForce GTX 1080Ti sa DGX system at ang cloud, at available 24/7.

Available din ang GPU cloud computing on demand sa lahat ng pangunahing cloud platform.

PAANO NAKUHA NG MGA APPLICATION ANG GPU ACCELERATION

Pinangangasiwaan ng GPU ang mga bahagi ng application na nangangailangan ng maraming kapangyarihan sa pag-compute, kasama ang natitirang bahagi ng application na tumatakbo sa CPU. Mula sa pananaw ng gumagamit, ang application ay tumatakbo nang mas mabilis.

Ang isang madaling paraan upang maunawaan ang pagkakaiba sa pagitan ng GPU at CPU ay ang paghambingin kung paano sila gumaganap ng mga gawain. Ang CPU ay binubuo ng ilang mga core na na-optimize para sa sunud-sunod na pagproseso data, habang ang GPU ay may libu-libong mas maliit, mas matipid sa kapangyarihan na mga core na idinisenyo upang pangasiwaan ang maraming gawain nang sabay-sabay.

Ang GPU ay binubuo ng libu-libong mga core para sa mahusay na pagproseso magkatulad na gawain

Panoorin ang video sa ibaba upang ihambing ang GPU at CPU

Video: "MythBusters Showcase the Power of GPU vs CPU Computing" (01:34)

Mahigit sa 400 application, kabilang ang 9 sa nangungunang 10 HPC application, ay na-accelerate na sa mga GPU, na nagbibigay-daan sa lahat ng mga user ng GPU na makamit ang makabuluhang pagpapahusay sa performance para sa kanilang mga workload. Tingnan ang aming catalog ng app upang makita kung ang app na ginagamit mo ay GPU accelerated (PDF 1.9 MB).

May tatlong pangunahing paraan para magdagdag ng GPU acceleration sa iyong application:

• Gumamit ng mga library na naka-optimize sa GPU
• Magdagdag ng mga direktiba o "pahiwatig" sa compiler upang awtomatikong iparallelize ang iyong code
• Gumamit ng mga extension para sa mga programming language na alam mo na, gaya ng C at Fortran

Ang pag-aaral kung paano gumamit ng mga GPU gamit ang CUDA parallel programming model ay napakadali.

Ang mga libreng online na klase at mapagkukunan para sa mga developer ay available sa CUDA Zone.

Graphics processing unit (GPU) - nagniningning na halimbawa kung paano kumalat ang teknolohiyang idinisenyo para sa mga gawain sa pagproseso ng graphics sa hindi nauugnay na larangan ng high-performance computing. Ang mga modernong GPU ay nasa puso ng maraming kumplikadong machine learning at data analytics projects. Sa aming artikulo sa pagsusuri, titingnan namin kung paano ginagamit ng mga customer ng Selectel ang GPU hardware at iisipin ang tungkol sa hinaharap ng data science at mga computing device na may mga guro mula sa Yandex School of Data Science.

Malaki ang pagbabago ng mga GPU sa nakalipas na sampung taon. Bilang karagdagan sa napakalaking pagtaas sa pagiging produktibo, mayroong isang dibisyon ng mga aparato ayon sa uri ng paggamit. Kaya, ang mga video card para sa mga home gaming system at virtual reality installation ay inilalaan sa isang hiwalay na direksyon. Lumilitaw ang malalakas at napaka-espesyal na mga device: para sa mga server system, ang isa sa mga nangungunang accelerator ay ang NVIDIA Tesla P100, na sadyang idinisenyo para sa gamit pang-industriya sa mga data center. Bilang karagdagan sa mga GPU, ang pananaliksik ay aktibong isinasagawa sa larangan ng paglikha ng isang bagong uri ng mga processor na ginagaya ang paggana ng utak. Ang isang halimbawa ay ang Kirin 970 single-chip platform na may sariling neuromorphic processor para sa mga gawaing nauugnay sa mga neural network at pagkilala ng imahe.

Dahil sa sitwasyong ito, iniisip natin ang mga sumusunod na katanungan:

• Bakit naging napakasikat ang larangan ng data analytics at machine learning?
• Paano Nangibabaw ang Mga GPU sa Computer Hardware Market masinsinang gawain may data?
• Anong pananaliksik sa data analytics ang magiging pinaka-promising sa malapit na hinaharap?

Subukan nating harapin ang mga isyung ito sa pagkakasunud-sunod, simula sa mga unang simpleng video processor at nagtatapos sa mga modernong device na may mataas na pagganap.

Panahon ng GPU

Una, tandaan natin kung ano ang GPU. Ang Graphics Processing Unit ay isang graphics processing unit na malawakang ginagamit sa desktop at mga sistema ng server. Ang isang natatanging tampok ng device na ito ay ang pagtutok nito sa massively parallel computing. Hindi tulad ng mga GPU, ang arkitektura ng isa pang module ng computing, ang CPU (Central Processor Unit), ay idinisenyo para sa sequential data processing. Kung ang bilang ng mga core sa isang regular na CPU ay sinusukat sa sampu, pagkatapos ay sa isang GPU ang bilang ng mga ito sa libu-libo, na nagpapataw ng mga paghihigpit sa mga uri ng mga utos na naisakatuparan, ngunit nagbibigay ng mataas na pagganap ng pag-compute sa mga gawaing may kinalaman sa paralelismo.

Mga unang hakbang

Ang pagbuo ng mga video processor sa mga unang yugto ay malapit na nauugnay sa lumalaking pangangailangan para sa isang hiwalay aparatong pang-compute para sa pagproseso ng dalawa at 3D graphics. Bago ang pagdating ng hiwalay na mga circuit ng video controller noong 70s, ang output ng imahe ay isinasagawa sa pamamagitan ng paggamit ng discrete logic, na nakaapekto sa pagtaas ng pagkonsumo ng kuryente at malalaking sukat mga naka-print na circuit board. Ginawang posible ng mga dalubhasang microcircuits na paghiwalayin ang pagbuo ng mga device na idinisenyo upang gumana sa mga graphics sa isang hiwalay na direksyon.

Ang sumunod na rebolusyonaryong kaganapan ay ang paglitaw ng isang bagong uri ng mas kumplikado at multifunctional na mga aparato- mga processor ng video. Noong 1996, inilabas ng 3dfx Interactive ang Voodoo Graphics chipset, na mabilis na nakakuha ng 85% ng nakalaang merkado ng video at naging pinuno sa 3D graphics noong panahong iyon. Pagkatapos ng serye masasamang desisyon pamamahala ng kumpanya, na kasama ang pagbili ng tagagawa ng video card na STB, nawala ang pamumuno ng 3dfx sa NVIDIA at ATI (mamaya AMD), at noong 2002 ay idineklara ang pagkabangkarote.

Pangkalahatang GPU Computing

Noong 2006, inanunsyo ng NVIDIA ang linya ng produkto ng serye ng GeForce 8, na nag-udyok sa isang bagong klase ng mga device na idinisenyo para sa general graphics processing unit (GPGPU) computing. Sa panahon ng Pag-unlad ng NVIDIA dumating sa pagkakaunawaan na mas malaking bilang Ang mga core na tumatakbo sa mas mababang frequency ay mas mahusay para sa mga parallel na workload kaysa sa isang maliit na bilang ng mga core na mas mataas ang performance. Ang mga bagong henerasyong video processor ay nagbigay ng parallel computing na suporta hindi lamang para sa pagproseso ng mga video stream, kundi pati na rin para sa mga problemang nauugnay sa machine learning, linear algebra, statistics, at iba pang mga problemang pang-agham o komersyal.

Kinikilalang pinuno

Ang mga pagkakaiba sa paunang pagtatalaga ng mga gawain para sa CPU at GPU ay humantong sa mga makabuluhang pagkakaiba sa arkitektura ng mga device - mataas na dalas kumpara sa multi-core. Para sa mga GPU, lumikha ito ng potensyal sa pag-compute na ngayon ay ganap nang naisasakatuparan. Ang mga video processor na may kahanga-hangang bilang ng mas mahihinang processing core ay gumagawa ng mahusay na trabaho ng parallel computing. Ang gitnang processor, na idinisenyo sa kasaysayan upang mahawakan ang mga sunud-sunod na gawain, ay nananatiling pinakamahusay sa larangan nito.

Bilang halimbawa, ihambing natin ang mga halaga ng pagganap ng gitnang at graphics processor kapag nagsasagawa ng isang karaniwang gawain sa mga neural network - pagpaparami ng matrix mataas na pagkakasunud-sunod. Pipiliin namin ang mga sumusunod na device para sa pagsubok:

• CPU. Intel Xeon E5-2680 v4 - 28 na mga thread na may HyperThreading, 2.4 GHZ;
• GPU NVIDIA GTX 1080 – 2560 CUDA Cores, 1607 Mhz, 8GB GDDR5X.

Gumamit tayo ng halimbawa ng pagkalkula ng matrix multiplication sa CPU at GPU sa Jupyter Notebook:

Sa code sa itaas, sinusukat namin ang oras na kinuha upang makalkula ang mga matrice ng parehong pagkakasunud-sunod sa CPU o GPU ("Oras ng Pagpapatupad"). Ang data ay maaaring ipakita sa anyo ng isang graph kung saan ipinapakita ng pahalang na axis ang pagkakasunud-sunod ng mga multiplied na matrice, at ang vertical axis ay nagpapakita ng oras ng pagpapatupad sa mga segundo:

Ang linya ng graph na naka-highlight sa orange ay nagpapakita ng oras na kinakailangan upang lumikha ng data sa regular na RAM, ilipat ito sa memorya ng GPU, at kasunod na mga kalkulasyon. Ipinapakita ng berdeng linya ang oras na kinakailangan upang makalkula ang data na nabuo na sa memorya ng video card (nang hindi naglilipat mula sa RAM). Ipinapakita ng asul ang oras ng pagbibilang sa gitnang processor. Ang mga matrice ng pagkakasunud-sunod na mas mababa sa 1000 elemento ay pinaparami sa GPU at CPU sa halos parehong oras. Ang pagkakaiba sa pagganap ay malinaw na nakikita sa mga matrice na mas malaki kaysa sa 2000 hanggang 2000, kapag ang oras ng pagkalkula sa CPU ay tumalon sa 1 segundo, habang ang GPU ay nananatiling malapit sa zero.

Mas kumplikado at praktikal na mga problema ay mas mahusay na nalutas sa isang device na may mga GPU kaysa wala ang mga ito. Dahil iba-iba ang mga problemang nireresolba ng aming mga customer sa GPU hardware, nagpasya kaming alamin kung ano ang pinakasikat na mga kaso ng paggamit.

Sino sa Selectel ang nabubuhay nang maayos sa isang GPU?

Ang unang opsyon na agad na nasa isip at naging tamang hula ay ang pagmimina, ngunit ito ay kagiliw-giliw na tandaan na ang ilan ay ginagamit ito bilang isang pantulong na paraan upang mai-load ang kagamitan sa "maximum". Sa kaso ng pagrenta ng isang dedikadong server na may mga video card, ang oras na walang trabaho ay ginagamit upang magmina ng mga cryptocurrencies na hindi nangangailangan ng mga espesyal na pag-install (mga sakahan) upang makuha ang mga ito.

Dahil naging klasiko na sa ilang lawak, ang mga gawaing nauugnay sa pagpoproseso ng graphic at pag-render ay palaging nahahanap ang kanilang lugar sa mga server ng Selectel na may mga graphics accelerators. Ang paggamit ng mga kagamitang may mataas na pagganap para sa mga ganoong gawain ay nagbibigay-daan sa iyong makakuha ng mas epektibong solusyon kaysa sa pag-aayos ng mga nakalaang workstation na may mga video card.

Sa pakikipag-usap sa aming mga kliyente, nakilala rin namin ang mga kinatawan ng Yandex School of Data Analysis, na gumagamit ng kapangyarihan ng Selectel upang ayusin ang mga kapaligiran sa pag-aaral ng pagsubok. Napagpasyahan naming malaman ang higit pa tungkol sa kung ano ang ginagawa ng mga mag-aaral at guro, kung anong mga bahagi ng machine learning ang sikat ngayon, at kung ano ang hinaharap para sa industriya kapag ang mga batang propesyonal ay sumali sa hanay ng mga nangungunang organisasyon o naglunsad ng kanilang sariling mga startup.

Agham ng Data

Marahil ay walang sinuman sa aming mga mambabasa na hindi nakarinig ng pariralang " mga neural network" o "pag-aaral ng makina". Itinatapon ang mga pagkakaiba-iba ng marketing sa tema ng mga salitang ito, ang nasa ilalim ay nasa anyo ng isang umuusbong at promising na data science.

Kasama sa modernong diskarte sa pagtatrabaho sa data ang ilang pangunahing lugar:

• Malaking Data ( Malaking Data). Ang pangunahing problema sa lugar na ito ay ang napakalaking dami ng impormasyon na hindi maproseso sa isang server. Mula sa pananaw ng suporta sa imprastraktura, kinakailangan upang malutas ang mga problema sa paglikha mga sistema ng kumpol, scalability, fault tolerance, at distributed data storage;
• Mga gawaing masinsinang mapagkukunan (Pag-aaral ng makina, malalim na pag-aaral at iba pa). Sa kasong ito, ang tanong ng paggamit ng high-performance computing, na nangangailangan malaking dami Mga mapagkukunan ng RAM at CPU. Sa ganitong mga gawain, aktibong ginagamit ang mga system na may mga graphics accelerators.

Ang linya sa pagitan ng mga lugar ng data ay unti-unting lumalabo: ang mga pangunahing tool para sa pagtatrabaho sa malaking data (Hadoop, Spark) ay nagpapakilala ng suporta para sa GPU computing, at ang mga gawain sa machine learning ay sumasaklaw sa mga bagong lugar at nangangailangan ng mas malaking volume ng data. Tutulungan tayo ng mga guro at mag-aaral ng School of Data Analysis na maunawaan nang mas detalyado.

Mahirap mag-overestimate sa kahalagahan karampatang gawain na may data at naaangkop na pagpapatupad ng mga advanced na tool sa pagsusuri. Hindi man natin pinag-uusapan ang tungkol sa malaking data, ang kanilang "mga lawa" o "mga ilog," ngunit sa halip ay tungkol sa matalinong pakikipag-ugnayan sa impormasyon. Ang nangyayari ngayon ay kakaibang sitwasyon: Maaari kaming mangolekta ng malawak na uri ng impormasyon at gumamit ng mga advanced na tool at serbisyo para sa malalim na pagsusuri. Ang mga negosyo ay nagpapatupad ng mga naturang teknolohiya hindi lamang upang makakuha ng mga advanced na analytics, ngunit din upang lumikha natatanging produkto sa anumang industriya. Eksakto huling punto higit sa lahat ay humuhubog at nagtutulak sa paglago ng industriya ng data analytics.

Bagong direksyon

Nakapaligid sa amin ang impormasyon sa lahat ng dako: mula sa mga tala ng mga kumpanya sa Internet at mga operasyon sa pagbabangko bago ang mga pagbabasa sa mga eksperimento sa Large Hadron Collider. Ang kakayahang magtrabaho kasama ang data na ito ay maaaring magdala ng milyon-milyong kita at magbigay ng mga sagot sa mga pangunahing tanong tungkol sa istruktura ng Uniberso. Samakatuwid, ang pagsusuri ng data ay naging isang hiwalay na lugar ng pananaliksik sa mga negosyo at pang-agham na komunidad.

Ang Paaralan ng Pagsusuri ng Data ay nagsasanay sa mga pinakamahusay na dalubhasang espesyalista at siyentipiko na sa hinaharap ay magiging pangunahing pinagmumulan ng mga pag-unlad ng siyentipiko at industriya sa lugar na ito. Ang pag-unlad ng industriya ay nakakaapekto rin sa amin bilang isang tagapagbigay ng imprastraktura - parami nang parami ang mga kliyente na humihiling ng mga pagsasaayos ng server para sa mga gawain sa pagsusuri ng data.

Tinutukoy ng mga detalye ng mga gawaing kinakaharap ng aming mga kliyente kung anong kagamitan ang dapat naming ihandog sa mga customer at sa anong direksyon dapat naming paunlarin ang aming linya ng produkto. Kasama sina Stanislav Fedotov at Oleg Ivchenko, sinuri namin ang mga mag-aaral at guro ng School of Data Analysis at nalaman kung anong mga teknolohiya ang ginagamit nila upang malutas ang mga praktikal na problema.

Mga Teknolohiya ng Pagsusuri ng Data

Sa panahon ng pagsasanay, lumilipat ang mga mag-aaral mula sa mga pangunahing kaalaman (basic higher mathematics, algorithm at programming) patungo sa mga pinaka-advanced na lugar ng machine learning. Nangolekta kami ng impormasyon sa mga gumagamit ng mga server na may mga GPU:

• Malalim na pagkatuto;
• Reinforcement learning;
• Computer vision;
• Awtomatikong pagpoproseso ng teksto.

Ginagamit ng mga mag-aaral mga espesyal na kasangkapan sa kanilang mga gawaing pang-edukasyon at pananaliksik. Ang ilang mga aklatan ay idinisenyo upang mag-convert ng data sa kinakailangang uri, ang iba ay idinisenyo upang magtrabaho kasama tiyak na uri impormasyon, tulad ng teksto o mga larawan. Ang malalim na pag-aaral ay isa sa mga pinaka-kumplikadong lugar sa pagsusuri ng data at malawakang gumagamit ng mga neural network. Nagpasya kaming alamin kung aling mga framework ang ginagamit ng mga guro at mag-aaral para magtrabaho sa mga neural network.

Ang mga ipinakitang tool ay may iba't ibang antas ng suporta mula sa kanilang mga tagalikha, ngunit gayunpaman ay patuloy na aktibong ginagamit para sa mga layuning pang-edukasyon at trabaho. Marami sa kanila ay nangangailangan ng malakas na hardware upang maproseso ang mga gawain sa isang sapat na time frame.

Karagdagang pag-unlad at mga proyekto

Tulad ng anumang agham, ang direksyon ng pagsusuri ng data ay magbabago. Ang mga karanasang natatamo ng mga mag-aaral ngayon ay walang alinlangan na magbibigay-alam sa mga pag-unlad sa hinaharap. Samakatuwid, ito ay lalong nagkakahalaga ng pagpuna sa mataas na praktikal na oryentasyon ng programa - ilang mga mag-aaral, sa panahon ng kanilang pag-aaral o pagkatapos, magsimula ng mga internship sa Yandex at ilapat ang kanilang kaalaman sa tunay na serbisyo at mga serbisyo (paghahanap, computer vision, speech recognition at iba pa).

Napag-usapan namin ang tungkol sa hinaharap ng data analytics sa mga guro mula sa School of Data Analytics, na nagbahagi sa amin ng kanilang pananaw para sa pagbuo ng data science.

Ayon sa Vlada Shakhuro, guro ng kursong "Pagsusuri ng Larawan at Video", ang pinakakawili-wiling mga gawain sa computer vision- pagtiyak ng kaligtasan sa mga mataong lugar, pagmamaneho ng isang unmanned na sasakyan at paggawa ng application gamit ang augmented reality. Upang malutas ang mga problemang ito, kinakailangan upang masuri nang husay ang data ng video at, una sa lahat, bumuo ng mga algorithm para sa pag-detect at pagsubaybay sa mga bagay, pagkilala sa isang tao sa pamamagitan ng mukha at tatlong-dimensional na muling pagtatayo ng naobserbahang eksena. Guro Victor Lempitsky, na namumuno sa kursong "Deep Learning", hiwalay na itinatampok ang mga autoencoder, pati na rin ang mga generative at adversarial network sa kanyang lugar.

Ibinahagi ng isa sa mga tagapayo ng School of Data Analysis ang kanyang opinyon tungkol sa pagkalat at simula ng malawakang paggamit ng machine learning:

"Ang pag-aaral ng makina ay lumilipat mula sa pagiging pinangangalagaan ng ilang obsessive na mananaliksik tungo sa pagiging isa na lamang tool para sa karaniwang developer. Noong nakaraan (halimbawa noong 2012), sumulat ang mga tao ng mababang antas ng code upang sanayin ang mga convolutional network sa ilang video card. Ngayon, magagawa ng sinuman, sa loob ng ilang oras:

• i-download ang mga timbang ng isang sinanay na neural network (halimbawa, sa keras);
• gamitin ito upang gumawa ng solusyon para sa iyong problema (fine-tuning, zero-shot learning);
• i-embed ito sa iyong website o mobile application(tensorflow/caffe 2).

Maraming malalaking kumpanya at mga startup ang nakinabang na sa naturang diskarte (halimbawa, Prisma), ngunit marami pang problema ang hindi pa matutuklasan at malutas. At marahil ang buong machine/deep learning na bagay na ito balang araw ay magiging karaniwan na gaya ng python o excel ngayon."

Walang sinuman ang maaaring tumpak na mahulaan ang teknolohiya ng hinaharap ngayon, ngunit kapag mayroong isang tiyak na vector ng paggalaw, maaari mong maunawaan kung ano ang dapat pag-aralan ngayon. At ang mga pagkakataon para dito ay nasa modernong mundo- isang malaking bilang.

Mga pagkakataon para sa mga nagsisimula

Limitado ang pag-aaral ng data analysis mataas na pangangailangan sa mga mag-aaral: malawak na kaalaman sa larangan ng matematika at algorithm, mga kasanayan sa programming. Sa totoo lang malubhang hamon ang machine learning ay nangangailangan ng umiiral espesyal na kagamitan. At para sa mga gustong matuto nang higit pa tungkol sa theoretical component ng data science, ang School of Data Analysis, kasama ang Higher School of Economics, ay naglunsad ng online na kurso "".

Sa halip na isang konklusyon

Ang paglago ng merkado ng GPU ay hinihimok ng lumalaking interes sa mga kakayahan ng naturang mga device. Ginagamit ang GPU sa bahay mga sistema ng paglalaro, mga gawain sa pag-render at pagpoproseso ng video, at kung saan kinakailangan ang pangkalahatang high-performance computing. Praktikal na Aplikasyon Ang mga gawain sa pagmimina ng data ay mas malalalim sa ating pang-araw-araw na buhay. At pagbitay mga katulad na programa Ito ay pinaka-epektibong ginagawa sa tulong ng GPU.

Pinasasalamatan namin ang aming mga kliyente, pati na rin ang mga guro at estudyante ng School of Data Analysis para sa magkasanib na paghahanda ng materyal, at iniimbitahan namin ang aming mga mambabasa na mas kilalanin sila.

At para sa mga may karanasan at karanasan sa larangan ng machine learning, pagsusuri ng data at higit pa, iminumungkahi naming tingnan ang mga rental mula sa Selectel kagamitan sa server na may mga graphics accelerators: mula sa simpleng GTX 1080 hanggang Tesla P100 at K80 para sa mga pinaka-hinihingi na gawain.