आधुनिक आईटी समस्याओं को हल करने में जी.पी.यू.

ग्राफिक्स प्रोसेसिंग यूनिट (जीपीयू) इस बात का एक प्रमुख उदाहरण है कि कैसे ग्राफिक प्रसंस्करण कार्यों के लिए डिज़ाइन की गई तकनीक उच्च-प्रदर्शन कंप्यूटिंग के एक असंबद्ध क्षेत्र में फैल गई है। आधुनिक जीपीयू मशीन सीखने और डेटा विश्लेषण के क्षेत्र में कई जटिल परियोजनाओं के केंद्र में हैं। हमारे समीक्षा लेख में, हम बताएंगे कि कैसे सेलेक्ट ग्राहक जीपीयू के साथ उपकरणों का उपयोग करते हैं और यैंडेक्स डेटा एनालिसिस स्कूल के शिक्षकों के साथ मिलकर डेटा विज्ञान और कंप्यूटिंग उपकरणों के भविष्य के बारे में सोचते हैं।

पिछले दस वर्षों में जीपीयू बहुत बदल गए हैं। उत्पादकता में जबरदस्त वृद्धि के अलावा, प्रकार के उपयोग के द्वारा उपकरणों को अलग करना था। इसलिए, होम गेमिंग सिस्टम और वर्चुअल रियलिटी इंस्टॉलेशन के वीडियो कार्ड एक अलग दिशा में खड़े होते हैं। शक्तिशाली अत्यधिक विशिष्ट उपकरण दिखाई देते हैं: सर्वर सिस्टम के लिए, प्रमुख त्वरक में से एक NVIDIA टेस्ला P100 है , जिसे विशेष रूप से डेटा केंद्रों में औद्योगिक उपयोग के लिए डिज़ाइन किया गया है। GPU के अलावा, एक नए प्रकार के प्रोसेसर बनाने के क्षेत्र में अनुसंधान चल रहा है जो मस्तिष्क की नकल करता है। एक उदाहरण किरिन 970 एकल-चिप मंच है, जिसमें तंत्रिका नेटवर्क और पैटर्न मान्यता से संबंधित कार्यों के लिए अपने स्वयं के न्यूरोमॉर्फिक प्रोसेसर हैं।

यह स्थिति आपको निम्नलिखित मुद्दों के बारे में सोचने का मौका देती है:

• डेटा विश्लेषण और मशीन लर्निंग का क्षेत्र इतना लोकप्रिय क्यों हो गया है?
• डेटा गहन उपकरण बाजार में GPU कैसे हावी था?
• निकट भविष्य में डेटा विश्लेषण के क्षेत्र में कौन सा शोध सबसे अधिक आशाजनक होगा?

आइए पहले साधारण वीडियो प्रोसेसर के साथ शुरू करने और आधुनिक उच्च-प्रदर्शन उपकरणों के साथ समाप्त होने के क्रम में इन मुद्दों से निपटने की कोशिश करें।

GPU आयु

सबसे पहले, आइए याद करें कि GPU क्या है। ग्राफिक्स प्रोसेसिंग यूनिट एक ग्राफिक्स प्रोसेसर है जिसका व्यापक रूप से डेस्कटॉप और सर्वर सिस्टम में उपयोग किया जाता है। इस उपकरण की एक विशिष्ट विशेषता व्यापक समानांतर कंप्यूटिंग पर अपना ध्यान केंद्रित करना है। जीपीयू के विपरीत, एक अन्य सीपीयू (सेंट्रल प्रोसेसर यूनिट) का आर्किटेक्चर अनुक्रमिक डेटा प्रोसेसिंग के लिए डिज़ाइन किया गया है। यदि नियमित सीपीयू में कोर की संख्या दर्जनों में मापी जाती है, तो जीपीयू में उन्हें हजारों में गिना जाता है, जो कि निष्पादित होने वाले प्रकारों पर प्रतिबंध लगाता है, लेकिन समानांतरता वाले कार्यों में उच्च कम्प्यूटेशनल प्रदर्शन प्रदान करता है।

पहला कदम

शुरुआती चरणों में वीडियो प्रोसेसर का विकास दो और तीन-आयामी ग्राफिक्स के प्रसंस्करण के लिए एक अलग कंप्यूटिंग डिवाइस की बढ़ती आवश्यकता के साथ निकटता से जुड़ा था। 70 के दशक में व्यक्तिगत वीडियो नियंत्रक सर्किट की उपस्थिति से पहले, असतत तर्क के उपयोग के माध्यम से छवि उत्पादन किया गया था, जो बिजली की खपत और मुद्रित सर्किट बोर्डों के बड़े आकार को प्रभावित करता था। विशिष्ट माइक्रोक्रिस्केट्स ने ग्राफिक्स के साथ एक अलग दिशा में काम करने के लिए डिज़ाइन किए गए उपकरणों के विकास को एकल करना संभव बना दिया।

अगली क्रांतिकारी घटना अधिक जटिल और बहुक्रियाशील उपकरणों के नए वर्ग का उदय था - वीडियो प्रोसेसर। 1996 में, 3dfx इंटरएक्टिव ने वूडू ग्राफिक्स चिपसेट लॉन्च किया, जिसने विशेष वीडियो उपकरणों के लिए बाजार के 85% हिस्से पर कब्जा कर लिया और उस समय के 3 डी ग्राफिक्स के क्षेत्र में अग्रणी बन गया। कंपनी के प्रबंधन द्वारा असफल निर्णयों की एक श्रृंखला के बाद, जिसमें एसटीबी वीडियो कार्ड निर्माता की खरीद थी, 3dfx ने NVIDIA और ATI (बाद में AMD) के लिए चैंपियनशिप खो दी, और 2002 में दिवालिया घोषित कर दिया।

सामान्य GPU कंप्यूटिंग

2006 में, NVIDIA ने GeForce 8 श्रृंखला उत्पाद लाइन जारी करने की घोषणा की, जिसने GPU (GPGPU) पर सामान्य कंप्यूटिंग के लिए डिज़ाइन किए गए उपकरणों की एक नई श्रेणी की शुरुआत को चिह्नित किया। विकास के दौरान, एनवीआईडीआईए इस निष्कर्ष पर पहुंचा कि कम आवृत्ति पर काम करने वाले कोर की एक बड़ी संख्या कम उत्पादक कोर की तुलना में समानांतर भार के लिए अधिक प्रभावी है। नई पीढ़ी के वीडियो प्रोसेसर ने न केवल वीडियो स्ट्रीमों के प्रसंस्करण के लिए, बल्कि मशीन लर्निंग, रैखिक बीजगणित, सांख्यिकी और अन्य वैज्ञानिक या वाणिज्यिक कार्यों से संबंधित समस्याओं के लिए समानांतर कंप्यूटिंग के लिए समर्थन प्रदान किया।

मान्यता प्राप्त नेता

सीपीयू और जीपीयू के लिए कार्यों की प्रारंभिक सेटिंग में अंतर ने उपकरणों की वास्तुकला में महत्वपूर्ण अंतर पैदा किया - उच्च आवृत्ति बनाम मल्टी-कोर। जीपीयू के लिए, इसने कंप्यूटिंग क्षमता रखी है, जिसे वर्तमान में पूरी तरह से महसूस किया जा रहा है। कमजोर कंप्यूटिंग कोर की प्रभावशाली संख्या वाले वीडियो प्रोसेसर समानांतर कंप्यूटिंग का एक उत्कृष्ट काम करते हैं। केंद्रीय प्रोसेसर, जिसे ऐतिहासिक रूप से अनुक्रमिक कार्यों के साथ काम करने के लिए डिज़ाइन किया गया है, अपने क्षेत्र में सबसे अच्छा रहता है।

एक उदाहरण के लिए, हम तंत्रिका नेटवर्क में एक सामान्य कार्य करने वाले केंद्रीय और ग्राफिक प्रोसेसर के प्रदर्शन में मूल्यों की तुलना करते हैं - उच्च-क्रम वाले मैट्रिस का गुणन। हम परीक्षण के लिए निम्नलिखित उपकरणों का चयन करते हैं:

• सीपीयू। Intel Xeon E5-2680 v4 - हाइपरथ्रेडिंग के साथ 28 धागे, 2.4 GHZ;
• GPU। NVIDIA GTX 1080 - 2560 CUDA कोर, 1607 Mhz, 8GB GDDR5X।

हम एक बृहस्पति नोटबुक में सीपीयू और जीपीयू द्वारा मैट्रिक्स गुणा की गणना का एक उदाहरण का उपयोग करते हैं:



ऊपर दिए गए कोड में, हम एक केंद्रीय या GPU ("रनटाइम") पर उसी क्रम के मैट्रिक्स की गणना करने में लगने वाले समय को मापते हैं। डेटा को एक ग्राफ के रूप में दर्शाया जा सकता है, जिस पर क्षैतिज अक्ष, मैट्रिसेस के गुणा के क्रम को प्रदर्शित करता है, और ऊर्ध्वाधर अक्ष सेकंड में निष्पादन का समय दिखाता है:



नारंगी में हाइलाइट की गई ग्राफ की रेखा, पारंपरिक रैम में डेटा बनाने में लगने वाले समय को दर्शाती है, इसे GPU मेमोरी और बाद की गणनाओं में स्थानांतरित करती है। ग्रीन लाइन उस समय को दिखाती है, जिसमें वीडियो कार्ड की मेमोरी में पहले से उत्पन्न डेटा (रैम से इसे स्थानांतरित किए बिना) की गणना करने में समय लगता है। ब्लू केंद्रीय प्रोसेसर पर गिनती का समय प्रदर्शित करता है। 1000 से कम तत्वों के क्रम के मैट्रिक्स लगभग एक ही समय में GPU और CPU द्वारा गुणा किए जाते हैं। प्रदर्शन में अंतर 2000 से 2000 तक बड़े मेट्रिक्स के साथ अच्छी तरह से प्रकट होता है, जब सीपीयू पर गणना का समय 1 सेकंड होता है, और जीपीयू शून्य के करीब रहता है।

अधिक जटिल और व्यावहारिक कार्य ग्राफिक प्रोसेसर वाले डिवाइस पर उनके बिना अधिक प्रभावी ढंग से हल किए जाते हैं। चूंकि जीपीयू उपकरण पर हमारे ग्राहक जो समस्याएं हल करते हैं, वे बहुत विविध हैं, हमने यह पता लगाने का फैसला किया कि सबसे लोकप्रिय उपयोग के मामले क्या हैं।

Selectel में कौन GPU के साथ अच्छी तरह से रहते हैं?

पहला विकल्प जो तुरंत दिमाग में आता है और सही अनुमान के रूप में निकलता है वह है खनन, लेकिन यह नोट करना उत्सुक है कि कुछ इसे "अधिकतम" करने के लिए उपकरणों को लोड करने के लिए सहायक तरीके के रूप में उपयोग करते हैं। वीडियो कार्ड के साथ एक समर्पित सर्वर को किराए पर लेने के मामले में, कार्यभार से खाली समय का उपयोग खनन क्रिप्टोकरेंसी के लिए किया जाता है जिनकी प्राप्ति के लिए विशेष प्रतिष्ठानों (खेतों) की आवश्यकता नहीं होती है।

पहले से ही कुछ शास्त्रीय हो गया है, ग्राफिक प्रोसेसिंग और रेंडरिंग से संबंधित कार्यों को ग्राफिक्स त्वरक के साथ चयनकर्ता सर्वरों पर अपनी जगह खोजने के लिए। इस तरह के कार्यों के लिए उच्च प्रदर्शन वाले उपकरणों का उपयोग करने से आपको वीडियो कार्ड के साथ समर्पित कार्यस्थानों को व्यवस्थित करने की तुलना में अधिक प्रभावी समाधान प्राप्त करने की अनुमति मिलती है।

हमारे ग्राहकों के साथ बातचीत के दौरान, हम यैंडेक्स डेटा एनालिसिस स्कूल के प्रतिनिधियों से भी मिले, जो टेस्ट शैक्षिक वातावरण को व्यवस्थित करने के लिए सेलेल सुविधाओं का उपयोग करता है। हमने यह जानने का निर्णय लिया कि छात्र और शिक्षक क्या कर रहे हैं, मशीन लर्निंग के कौन से क्षेत्र अब लोकप्रिय हैं और युवा विशेषज्ञों द्वारा प्रमुख संगठनों के रैंक में शामिल होने या अपने स्टार्टअप को लॉन्च करने के बाद उद्योग के लिए भविष्य क्या है।

डेटा साइंस

शायद, हमारे पाठकों के बीच वे लोग नहीं होंगे जो वाक्यांश "तंत्रिका नेटवर्क" या "मशीन लर्निंग" नहीं सुनेंगे। इन शब्दों के विषय में विपणन विविधताओं को त्यागने के बाद, एक सूखा हुआ अवशेष एक उभरते और होनहार डेटा विज्ञान के रूप में प्राप्त होता है।

डेटा के साथ काम करने के आधुनिक दृष्टिकोण में कई मुख्य क्षेत्र शामिल हैं:

• बड़ा डेटा इस क्षेत्र में मुख्य समस्या एक सर्वर पर संसाधित नहीं की जा सकने वाली जानकारी का अधिक मात्रा में है। बुनियादी ढांचे के समर्थन के दृष्टिकोण से, क्लस्टर सिस्टम बनाने, स्केलेबिलिटी, फॉल्ट टॉलरेंस, और वितरित डेटा स्टोरेज की समस्याओं को हल करना आवश्यक है;
• संसाधन-गहन कार्य (मशीन लर्निंग, डीप लर्निंग, और अन्य)। इस मामले में, उच्च-प्रदर्शन कंप्यूटिंग के उपयोग पर सवाल उठता है, इसके लिए बड़ी मात्रा में रैम और प्रोसेसर संसाधनों की आवश्यकता होती है। ऐसे कार्यों में, ग्राफिक एक्सीलेटर वाले सिस्टम सक्रिय रूप से उपयोग किए जाते हैं।

दिशा डेटा के बीच की सीमा धीरे-धीरे मिट रही है: बड़े डेटा (Hadoop, Spark) के साथ काम करने के लिए मुख्य उपकरण GPU कंप्यूटिंग के लिए समर्थन को लागू करते हैं, और मशीन लर्निंग कार्य नए क्षेत्रों को कवर करते हैं और अधिक डेटा की आवश्यकता होती है। डेटा विश्लेषण के स्कूल के शिक्षक और छात्र हमें और अधिक विस्तार से समझने में मदद करेंगे।



डेटा के साथ सक्षम काम के महत्व और उन्नत विश्लेषणात्मक उपकरणों के उचित कार्यान्वयन को कम करना मुश्किल है। यह बड़े डेटा, उनके "झीलों" या "नदियों" के बारे में भी नहीं है, लेकिन जानकारी के साथ बौद्धिक बातचीत के बारे में। अब जो हो रहा है वह एक अनोखी स्थिति है: हम विस्तृत जानकारी एकत्र कर सकते हैं और गहन विश्लेषण के लिए उन्नत उपकरणों और सेवाओं का उपयोग कर सकते हैं। व्यवसाय न केवल उन्नत विश्लेषिकी प्राप्त करने के लिए, बल्कि किसी भी उद्योग में एक अनूठा उत्पाद बनाने के लिए ऐसी तकनीकों का परिचय देता है। यह अंतिम बिंदु है जो बड़े पैमाने पर आकार और डेटा विश्लेषण उद्योग के विकास को उत्तेजित करता है।

नई दिशा

हर जगह हम सूचनाओं से घिरे रहते हैं: इंटरनेट कंपनियों के लॉग से और बैंकिंग ऑपरेशन से लेकर लार्ज हैड्रॉन कोलाइडर के प्रयोगों में। इन आंकड़ों के साथ काम करने की क्षमता लाखों का मुनाफा ला सकती है और ब्रह्मांड की संरचना के बारे में बुनियादी सवालों के जवाब दे सकती है। इसलिए, डेटा विश्लेषण व्यवसाय और वैज्ञानिक समुदाय के बीच अनुसंधान का एक अलग क्षेत्र बन गया है।

डेटा विश्लेषण का स्कूल सबसे अच्छा विशिष्ट विशेषज्ञ और वैज्ञानिक तैयार करता है जो भविष्य में इस क्षेत्र में वैज्ञानिक और औद्योगिक विकास का मुख्य स्रोत बन जाएगा। उद्योग का विकास हमें एक बुनियादी ढांचा प्रदाता के रूप में भी प्रभावित करता है - अधिक से अधिक ग्राहक डेटा विश्लेषण कार्यों के लिए सर्वर कॉन्फ़िगरेशन का अनुरोध कर रहे हैं।

हमारे ग्राहकों के सामने आने वाले कार्यों की बारीकियाँ इस बात पर निर्भर करती हैं कि हमें अपने ग्राहकों को किन उपकरणों की पेशकश करनी चाहिए और किस दिशा में हमारी उत्पाद लाइन विकसित करनी चाहिए। स्टैनिस्लाव फेडोटोव और ओलेग इवचेंको के साथ, हमने स्कूल ऑफ डेटा एनालिसिस के छात्रों और शिक्षकों का साक्षात्कार किया और पाया कि वे व्यावहारिक समस्याओं को हल करने के लिए किन तकनीकों का उपयोग करते हैं।

डेटा विश्लेषण टेक्नोलॉजीज

प्रशिक्षण के दौरान, मूल बातें (बुनियादी उच्च गणित, एल्गोरिदम और प्रोग्रामिंग) से छात्र मशीन सीखने के सबसे उन्नत क्षेत्रों तक पहुंचते हैं। हमने उन लोगों के बारे में जानकारी एकत्र की जो GPU के साथ सर्वर का उपयोग करते हैं:

• गहन शिक्षा;
• सुदृढीकरण प्रशिक्षण;
• कंप्यूटर दृष्टि;
• स्वचालित शब्द संसाधन।

छात्र अपने अध्ययन कार्य और अध्ययन में विशेष उपकरणों का उपयोग करते हैं। कुछ पुस्तकालयों को आवश्यक रूप से डेटा लाने के लिए डिज़ाइन किया गया है, जबकि अन्य एक विशिष्ट प्रकार की जानकारी के साथ काम करने के लिए डिज़ाइन किए गए हैं, उदाहरण के लिए, पाठ या चित्र। डीप लर्निंग डेटा विश्लेषण में सबसे चुनौतीपूर्ण क्षेत्रों में से एक है जो तंत्रिका नेटवर्क का व्यापक उपयोग करता है। हमने यह पता लगाने का निर्णय लिया कि कौन से शिक्षक और छात्र तंत्रिका नेटवर्क के साथ काम करने के लिए रूपरेखाओं का उपयोग करते हैं।



प्रस्तुत टूल में रचनाकारों का अलग समर्थन है, लेकिन फिर भी, उन्हें प्रशिक्षण और काम करने के उद्देश्यों के लिए सक्रिय रूप से उपयोग किया जाता है। उनमें से कई को पर्याप्त समय सीमा में कार्यों को संभालने के लिए उत्पादक उपकरण की आवश्यकता होती है।

आगे विकास और परियोजनाएं

किसी भी विज्ञान की तरह, डेटा विश्लेषण की दिशा बदल जाएगी। छात्रों को आज मिलने वाला अनुभव निस्संदेह भविष्य के विकास का आधार बनेगा। इसलिए, यह कार्यक्रम के उच्च व्यावहारिक अभिविन्यास पर ध्यान देने योग्य है - कुछ छात्र, अध्ययन करते समय या उसके बाद, यैंडेक्स में इंटर्नशिप करना शुरू करते हैं और अपने ज्ञान को वास्तविक सेवाओं और सेवाओं (खोज, कंप्यूटर दृष्टि, भाषण मान्यता, और अन्य) पर पहले से ही लागू करते हैं।

हमने डेटा विश्लेषण के स्कूल के शिक्षकों के साथ डेटा विश्लेषण के भविष्य के बारे में बात की, जिन्होंने हमारे साथ डेटा विज्ञान के विकास के अपने दृष्टिकोण को साझा किया।

"इमेज एंड वीडियो एनालिसिस" कोर्स के एक शिक्षक व्लाद शाहुरो के अनुसार, कंप्यूटर विज़न में सबसे दिलचस्प काम भीड़-भाड़ वाली जगहों पर सुरक्षा सुनिश्चित करना है, मानवरहित वाहन चलाना और संवर्धित वास्तविकता का उपयोग करके एप्लिकेशन बनाना है। इन समस्याओं को हल करने के लिए, गुणात्मक रूप से वीडियो डेटा का विश्लेषण करने और वस्तुओं का पता लगाने और ट्रैकिंग के लिए मुख्य रूप से एल्गोरिदम विकसित करने में सक्षम होना आवश्यक है, चेहरे से एक व्यक्ति को पहचानना और मनाया दृश्य के तीन-आयामी पुनर्निर्माण। लेक्चरर विक्टर लेम्पिट्स्की , एक प्रमुख कोर्स इन-डेप्थ ट्रेनिंग, ऑटो-एनकोडर के साथ-साथ जेनेरिक और प्रतिस्पर्धी नेटवर्क को भी अपनी दिशा में ले जाता है।

डेटा विश्लेषण के स्कूल के आकाओं में से एक मशीन सीखने के व्यापक उपयोग के प्रसार और शुरुआत पर अपनी राय साझा करता है:

“मशीन सीखने, कुछ जुनूनी शोधकर्ताओं के बहुत से, औसत डेवलपर के लिए एक और उपकरण में बदल रहा है। पहले (उदाहरण के लिए, 2012 में), लोगों ने वीडियो कार्डों की एक जोड़ी पर कंसेंटेबल नेटवर्क के प्रशिक्षण के लिए निम्न-स्तरीय कोड लिखा। अब, कोई भी कुछ घंटों में कर सकता है:

• पहले से ही प्रशिक्षित तंत्रिका नेटवर्क (उदाहरण के लिए, केरस में) का वजन डाउनलोड करें;
• इसे अपने कार्य के लिए एक समाधान बनाएं ( ठीक-ट्यूनिंग, शून्य-शॉट सीखने );
• इसे अपनी वेबसाइट या मोबाइल एप्लिकेशन (टेंसरफ़्लो / कैफ 2) में एम्बेड करें।

कई बड़ी कंपनियां और स्टार्टअप पहले ही इस तरह की रणनीति (उदाहरण के लिए, प्रिज्मा) पर जीत चुके हैं, लेकिन अभी भी बहुत सी समस्याओं की खोज और समाधान होना बाकी है। और शायद यह पूरी मशीन / गहरी सीखने की कहानी किसी दिन अजगर या एक्सेल के रूप में आम हो जाएगी। ”

ओएलएड इवचेंको के अनुसार, ShAD सर्वर अवसंरचना के प्रशासक, मानक डेटा सेट पर गहन सीखने के लिए मानक संसाधन (उदाहरण के लिए, CIFAR, MNIST) को निम्नलिखित संसाधनों की आवश्यकता होती है:

• 6 सीपीयू कोर;
• 16 जीबी रैम;
• वीडियो मेमोरी के 6-8 जीबी के साथ 1 जीपीयू कार्ड। यह PNY NVIDIA GeForce GTX 1060 या MSI GeForce GTX 1070 जैसे ग्राफिक्स कार्ड से मेल खाता है।

कोई भी आज भविष्य की तकनीक का सटीक अनुमान नहीं लगा सकता है, लेकिन जब एक निश्चित गति वेक्टर होता है, तो आप समझ सकते हैं कि अब क्या अध्ययन किया जाना चाहिए। और आधुनिक दुनिया में इसके लिए बहुत सारे अवसर हैं।

शुरुआती लोगों के लिए अवसर

डेटा विश्लेषण का अध्ययन छात्रों के लिए उच्च आवश्यकताओं द्वारा सीमित है: गणित और एल्गोरिदम के क्षेत्र में व्यापक ज्ञान, प्रोग्राम करने की क्षमता। सचमुच गंभीर मशीन सीखने के कार्यों के लिए विशेष उपकरणों की आवश्यकता होती है। और उन लोगों के लिए जो डेटा विज्ञान के सैद्धांतिक घटक के बारे में अधिक सीखना चाहते हैं, स्कूल ऑफ डेटा एनालिसिस, ने हायर स्कूल ऑफ इकोनॉमिक्स के साथ मिलकर एक ऑनलाइन पाठ्यक्रम " मशीन लर्निंग का परिचय " शुरू किया ।

एक निष्कर्ष के बजाय

ऐसे उपकरणों की क्षमताओं में बढ़ती रुचि से GPU बाजार की वृद्धि प्रदान की जाती है। GPU का उपयोग होम गेमिंग सिस्टम, रेंडरिंग और वीडियो प्रोसेसिंग कार्यों में किया जाता है, साथ ही जहां सामान्य उच्च-प्रदर्शन कंप्यूटिंग की आवश्यकता होती है। डेटा खनन कार्यों का व्यावहारिक अनुप्रयोग हमारे दैनिक जीवन में गहराई से प्रवेश करेगा। और ऐसे कार्यक्रमों का निष्पादन सबसे प्रभावी रूप से GPU का उपयोग करके ठीक से किया जाता है।

हम अपने ग्राहकों, साथ ही सामग्री की संयुक्त तैयारी के लिए स्कूल ऑफ डेटा एनालिसिस के शिक्षकों और छात्रों को धन्यवाद देते हैं, और अपने पाठकों को उन्हें बेहतर तरीके से जानने के लिए आमंत्रित करते हैं।

और मशीन लर्निंग, डेटा विश्लेषण के क्षेत्र में अनुभवी और परिष्कृत है और न केवल हम ग्राफिक्स त्वरक के साथ सर्वर उपकरणों को किराए पर लेने के लिए सेलेल से ऑफ़र देखने की पेशकश करते हैं: सरल जीटीएक्स 1080 से टेस्ला पी 100 और सबसे अधिक मांग वाले कार्यों के लिए K80।