GPU (وحدة معالجة الرسومات)

وحدة معالجة الرسوماتGPU) هي دائرة إلكترونية متخصصة صُممت في البداية لتسريع عملية إنشاء الصور والفيديو والرسوم المتحركة وعرضها. وعلى الرغم من أن وحدات معالجة الرسومات (GPU) نشأت في صناعات تصميم الألعاب والرسومات، إلا أن بنيتها الفريدة جعلتها أدوات لا غنى عنها في الذكاء الاصطناعي الحديث (AI) والتعلم الآلي (ML). تمتلك وحدات معالجة الرسومات الآلاف من أنوية المعالجة التي تعمل بالتوازي، مما يسمح لها بالتعامل مع كميات هائلة من العمليات الحسابية في وقت واحد. هذه الإمكانية مناسبة بشكل استثنائي للمهام الحسابية التي تتطلب الكثير من العمليات الحسابية الموجودة في خوارزميات التعلُّم العميق، مما يتيح تدريباً أسرع للنماذج واستدلالاً فعالاً في الوقت الحقيقي. يوفر فهم تطور GPU سياقًا لدورها الحالي في الذكاء الاصطناعي.

الأهمية في الذكاء الاصطناعي والتعلم الآلي

تُعد قدرات المعالجة المتوازية لوحدات معالجة الرسومات حافزًا أساسيًا للإنجازات الأخيرة في مجال الذكاء الاصطناعي. يتضمن تدريب الشبكات العصبية العميقة معالجة مجموعات بيانات هائلة وإجراء عدد لا يحصى من العمليات الرياضية المعقدة، مثل عمليات ضرب المصفوفات. تتفوق وحدات معالجة الرسومات في هذه العمليات، مما يقلل بشكل كبير من الوقت اللازم لتدريب النماذج مقارنةً بوحدات المعالجة المركزية التقليدية. يُمكِّن هذا التسريع الباحثين والمطورين في مجال تطوير الذكاء الاصطناعي من التكرار بسرعة أكبر، وتجربة نماذج أكبر وأكثر تعقيداً، وتحقيق دقة أعلى في مهام مثل اكتشاف الأجسام وتجزئة الصور.

فيما يلي مثالان لوحدات معالجة الرسومات في تطبيقات الذكاء الاصطناعي/تعلم الآلة في العالم الحقيقي:

1. اكتشاف الأجسام في الوقت الحقيقي: تعتمد نماذجUltralytics YOLO المعروفة بسرعتها وكفاءتها، اعتماداً كبيراً على وحدات معالجة الرسومات (GPU) لإجراء الكشف عن الأجسام في الوقت الحقيقي لتطبيقات مثل القيادة الذاتية والمراقبة الأمنية(تعزيز أنظمة الأمن) والروبوتات. تسمح الطبيعة المتوازية لوحدات معالجة الرسومات لهذه النماذج بمعالجة إطارات الفيديو بسرعة ودقة في تحديد الأجسام المتعددة في وقت واحد. استكشف تطبيقاتYOLO11 المتنوعة التي يتيحها تسريع GPU .
2. تدريب النماذج الكبيرة: غالباً ما يتطلب تدريب النماذج اللغوية الكبيرة (LLMs) أو نماذج الرؤية الحاسوبية المعقدة قوة حاسوبية كبيرة، وغالباً ما يتم الوصول إليها عبر منصات الحوسبة السحابية. تستفيد خدمات مثل Ultralytics HUB Cloud Training من مجموعات GPU القوية من مزودي خدمات مثل AWS و Google Cloud و Azure لتدريب النماذج على مجموعات بيانات ضخمة لمهام تتراوح بين معالجة اللغات الطبيعية (NLP ) إلى تحليل الصور الطبية المتقدمة.

الاختلافات الرئيسية عن وحدات المعالجة المركزية ووحدات المعالجة الحرارية TPU

على الرغم من أن وحدات معالجة الرسومات ووحدات المعالجة المركزية ووحدات معالجةTensor (TPUs) كلها أنواع من المعالجات، إلا أنها تتمتع بنقاط قوة مختلفة ومُحسَّنة لمهام مختلفة:

• CPU المركزية (CPU ): مصممة للحوسبة للأغراض العامة، وتتفوق في المهام المتسلسلة وإدارة عمليات النظام. تحتوي وحدات المعالجة المركزية على عدد قليل من النوى القوية المحسّنة لوقت استجابة منخفض. راجع نظرة عامة على وحدةCPU المركزية مقابل GPU .
• وحدة معالجة الرسومات (GPU ): مُحسَّنة للعمليات المتوازية مع آلاف النوى الأبسط. مثالية للمهام التي يمكن تقسيمها ومعالجتها في وقت واحد، مثل عرض الرسومات وتدريب نماذج التعلم العميق. غالبًا ما يتضمن قياس الأداء مقاييس مثل FLOPS.
• وحدة معالجةTensor (TPU ): الدائرة المتكاملة الخاصة بالتطبيقات (ASIC) المصممة خصيصًا من Google والمصممة خصيصًا لتسريع أعباء عمل التعلم الآلي باستخدام TensorFlow TensorFlow. وهي مُحسَّنة للغاية لعمليات المصفوفة واسعة النطاق الشائعة في الشبكات العصبية. تعرف على المزيد من تفاصيل TPU من Google.

تحقق وحدات معالجة الرسومات توازناً بين الأداء العالي لمهام المعالجة المتوازية وتعدد الاستخدامات عبر مختلف التطبيقات، مما يجعلها خياراً شائعاً للعديد من أعباء عمل الذكاء الاصطناعي والحوسبة عالية الأداء (HPC).

النظام البيئي والاستخدام

إن الاعتماد الواسع النطاق لوحدات معالجة الرسومات في الذكاء الاصطناعي مدعوم بمنظومات برمجيات قوية. الشركات المصنعة الكبرى مثل NVIDIAوAMD وحدات معالجة رسومات مناسبة لمهام الذكاء الاصطناعي. NVIDIA's CUDA (Compute Unified Device Architecture) الخاصة بشركة NVIDIA، وهي منصة حوسبة متوازية مستخدمة على نطاق واسع ونموذج برمجة لوحدات معالجة الرسومات NVIDIA . أطر عمل التعلم العميق مثل PyTorch و TensorFlow للاستفادة من تسريع GPU . يمكن تبسيط إعداد البيئات للتطوير GPU لوحدة GPU باستخدام أدوات الحاويات مثل Docker؛ راجعدليل Ultralytics Docker Quickstart للحصول على إرشادات الإعداد. غالبًا ما ينطوي النشر الفعال للنماذج على تحسين النماذج لتشغيلها بفعالية على أجهزة GPU المستهدفة. استكشف حلولUltralytics المختلفة التي تستفيد من قوة GPU .