Tesla

  • CUDA E IL GPU COMPUTING
  • APPLICAZIONI PER GPU
  • GPU PER SERVER E WORKSTATION
Applicazioni per GPU
Divider

Apprendimento automatico

Gli scienziati dei dati del settore industriale e di quello accademico usano le GPU in soluzioni di apprendimento automatico per ottenere miglioramenti rivoluzionari in un'ampia gamma di applicazioni, che includono classificazione delle immagini, analisi dei video, riconoscimento vocale ed elaborazione di linguaggio naturale. In particolare, l'apprendimento profondo – l'uso di sofisticate reti neurali “profonde” e multi-livello per creare sistemi in grado di eseguire il rilevamento di caratteristiche in massicce quantità di dati di training non etichettati – è un'area attualmente interessata da notevoli investimenti e ricerche.

Sebbene l'apprendimento automatico sia usato da decenni, l'attuale aumento del ricorso a questa tecnica si deve a due tendenze relativamente recenti: la disponibilità di enormi quantità di dati di training, e lo sviluppo di sistemi di elaborazione in parallelo potenti ed efficienti, grazie al GPU computing. Le GPU sono usate per addestrare queste reti neurali profonde usando serie di training molto più grandi, in tempi di un intero ordine di grandezza inferiore e con un uso molto più contenuto delle infrastrutture dei datacenter. Le GPU vengono inoltre utilizzate per la gestione di questi modelli di apprendimento automatico addestrati per eseguire la classificazione e la previsione nel cloud, supportando un volume di dati e un throughput molto superiori con un assorbimento energetico e uno sfruttamento dell'infrastruttura nettamente inferiori.

I primi utenti degli acceleratori GPU per l'apprendimento automatico includono numerose delle più grandi aziende del Web e dei social media, assieme ai più prestigiosi istituti di ricerca nell'ambito della scienza dei dati e dell'apprendimento automatico. Grazie a migliaia di core di elaborazione e a un throughput delle applicazioni da 10 a 100 volte superiore rispetto all'uso delle sole CPU, le GPU sono diventate il processore preferito per l'elaborazione di big data da parte degli scienziati dei dati.

 

Benchmark per le applicazioni di apprendimento automatico

SGEMM Performance

Grazie alle GPU, i discorsi pre-registrati o i contenuti multimediali possono essere trascritti con molta maggiore rapidità. Rispetto all'implementazione via CPU siamo in grado di eseguire un riconoscimento sino a 33 volte più rapidamente.

 

- Ian Lane, professore alla Carnegie Mellon University

 

Scopri come altri scienziati dei dati stanno portando avanti il proprio lavoro nel campo dell'apprendimento automatico e ottieni informazioni su strumenti, framework software e configurazioni di elaborazione che ti sarà di grande aiuto per iniziare.

 
 
Strumenti per apprendimento automatico
  • Caffe: Framework for convolutional neural network algorithms
  • cuda-convnet: High performance C++/CUDA implementation of convolutional neural networks
  • Theano: Python library to define, optimize, and evaluate mathematical expressions
  • Torch7: Scientific computing framework for machine learning algorithms 
  • cuBLAS: GPU-accelerated version of the complete standard BLAS library
  • MATLAB: Easy-to-use HPC language integrating computation, visualization, and programming
  • cxxnet: Neural network toolkit
 
 
 
Dissertazioni tecniche sull'apprendimento automatico
 
Documenti tecnici sull'apprendimento automatico
 
Aziende e istituti di ricerca usano le GPU per l'apprendimento automatico
Adobe Baidu Facebook Flickr
IBM Microsoft Netflix Nuance
Yandex      
 
Configurazioni del sistema consigliate
Workstation di sviluppo Cluster di formazione

2 acceleratori GPU NVIDIA Tesla K40

2 CPU Intel Xeon (8 core o superiori)

64 GB di memoria di sistema

8 acceleratori GPU NVIDIA Tesla K40

2 CPU Intel Xeon (8 core o superiori)

256 GB di memoria di sistema

 

Opzioni di configurazione

Opzioni di configurazione

 

Per informazioni sulle modalità di acquisto degli acceleratori GPU, visitare la pagina Dove acquistare Tesla.

 
 
 
 
 
 
CUDA e il GPU Computing

Che cos'è il GPU Computing?
Dati sull'elaborazione via GPU
Programmazione su GPU
Architettura delle GPU Kepler
Cloud Computing GPU
Contattaci

Che cos’è CUDA?
Vetrina di CUDA
Training su CUDA
Calendario Corsi CUDA
CUDA Research Center
CUDA Teaching Center

Applicazioni per GPU

Applicazioni per GPU Tesla
Storie di successo di Tesla
Direttive OpenACC
Tesla GPU Test Drive

GPU Tesla per
server e workstation

Per quale motivo scegliere Tesla
Soluzioni server Tesla
Soluzioni Workstation Tesla
Embedded Development Platform
Acquista GPU Tesla

News e informazioni Tesla

Documentazione sui prodotti Tesla
Funzionalità software Tesla
Strumenti di sviluppo software Tesla
Ricerca NVIDIA
Avvisi Tesla

Trovaci online

NVIDIA Blog Blog di NVIDIA
Facebook Facebook IT
Twitter Twitter IT
YouTube YouTube