Зачем нужны видеокарты и тензорные процессоры?

Обучение глубокой нейросети — это огромное количество одинаковых операций над матрицами. Видеокарты (GPU) и тензорные процессоры (TPU) выполняют такие операции в сотни раз быстрее обычного процессора. Без них тренировка современной большой модели заняла бы годы вместо дней, а перебор вариантов архитектуры был бы попросту невозможен.

Искусственный интеллектМетодологияОсновы ИИ

Глубокое обучение

Раздел машинного обучения, использующий многослойные нейросети для работы с изображениями, текстом, звуком и другими сложными данными.

КРАТКО

Глубокое обучение — это та часть машинного обучения, где основной инструмент — нейросети с большим числом слоёв. Чем глубже сеть, тем более сложные закономерности она может выучить: от линий и углов на картинке до целых объектов и сцен. Именно глубокое обучение стоит за переломом в распознавании изображений, переводом, голосовыми ассистентами и современными большими языковыми моделями.

СИНОНИМЫ:Глубокое обучениеглубокие нейросетиDeep LearningDL

До глубокого обучения многие задачи требовали много ручной работы инженера: вручную выделять признаки картинки, придумывать формулы для звука. Глубокие нейросети научились находить такие признаки сами, прямо из сырых данных.

Почему сейчас, а не раньше

Доступные большие наборы данных — без них глубокие сети не учатся.
Дешёвые видеокарты и тензорные процессоры, на которых можно тренировать сети с миллиардами параметров.
Архитектурные открытия последних 10–15 лет: свёрточные сети, рекуррентные сети, трансформеры.

Где особенно сильно работает

Распознавание и генерация изображений и видео.
Распознавание и синтез речи.
Понимание и генерация текста — современные большие языковые модели тоже глубокие сети.
Биоинформатика, химия — например, предсказание структуры белков.

КОГДА ПРИМЕНЯТЬ

Данные сложные и неструктурированные: картинки, текст, звук, видео
Простые модели уже не дают нужного качества
Есть доступ к достаточным данным и вычислительным мощностям

КОГДА НЕ СТОИТ

Таблица из ста строк — глубокая сеть тут не даст ничего сверх линейной модели
Нужна объяснимость каждого решения (например, в кредитном скоринге) — обычное дерево объясняется проще нейросети
Очень ограничены вычислительные ресурсы в эксплуатации

ПРИМЕР

Команда, которая пять лет назад писала свой свёрточный детектор объектов для системы видеоаналитики, сегодня берёт готовую предобученную сеть и дообучает её на нескольких сотнях своих кадров. Это занимает не месяцы, а дни и даёт качество, которого раньше было трудно добиться даже большим исследовательским проектом.

КАК ИСПОЛЬЗОВАТЬ В SHTAB

Глубокое обучение редко начинают с нуля. Обычно берут предобученную модель и дообучают её на своих данных или просто используют как извлекатель признаков. Так получается дешевле, быстрее и часто качественнее, чем тренировать сеть с нуля.

Попробовать бесплатно

Вопросы про «Глубокое обучение»

Классическое машинное обучение обычно работает с таблицами признаков, которые придумал человек. Глубокое обучение опирается на нейросети с большим числом слоёв и само учится выделять признаки из сырых данных — пикселей, символов, амплитуд звука. Поэтому оно особенно сильно там, где данные неструктурированные, а признаки трудно описать формулой заранее.

Ещё из «Искусственный интеллект»

Вся категория →

MCP (Model Context Protocol, протокол контекста модели)

Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.

MLOps (эксплуатация ML-моделей)

Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.

RAG (поиск с дополнением генерации)

Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.

Применяйте термины на практике

База знаний, задачи и цели — в одном сервисе. Бесплатно — без лимита по числу людей.

Попробовать бесплатно Все термины