Kelly Fullerton Ingeniero de Aplicaciones Académicas | Quanser
Cuando intenta terminar su investigación de IA de manera más rápida y rentable, la GPU es su nuevo mejor amigo. La mayoría de los jugadores saben lo importante que es una buena tarjeta gráfica o unidad de procesamiento gráfico (GPU) para disfrutar de un videojuego. Esto se debe a animaciones más suaves y velocidades de fotogramas más altas. La mayoría de los juegos modernos y el software de simulación virtual (incluido nuestro propio Quanser Interactive Labs ) incluyen sombreado de píxeles complejo. Esto permite texturas más agradables y una luz de aspecto más natural, pero requiere mejores GPU para renderizar. Sin embargo, la mayoría de la gente no sabe que las GPU se usan para algo más que videojuegos. Abordaremos la cuestión de por qué importan las GPU. También analizaré por qué hemos integrado uno los laboratorios de vehículos autónomos de Quanser. Al final, esperamos inspirarlo con algunas cosas nuevas que no sabía que podía hacer con su GPU y las oportunidades que presenta en la investigación.
Versión en color de Sneak Peak inédita de Quanser Interactive Labs a primera hora de la mañana, al mediodía y por la noche con el QCar
Si recientemente vio animaciones de Pixar o DreamWorks , las bellas representaciones son el resultado directo de las GPU de súper alta potencia. ¿Alguna vez se ha hecho una tomografía computarizada o una resonancia magnética? Hay una gran cantidad de GPU trabajando para analizar todo tipo de información de esos escaneos. Incluso usar YouTube en su teléfono en una ventana pequeña, mientras se desplaza simultáneamente por este blog, usa el poder de la GPU. Las GPU, que alguna vez se usaron solo para tareas relacionadas con gráficos, ahora se usan mucho en una amplia gama de tareas, incluidas la investigación y la computación de vanguardia. Si estos sistemas son tan ampliamente utilizados hoy en día, esto plantea la pregunta,
¿Qué es una GPU y cómo funciona?
Una GPU es una unidad de procesamiento única que se compone de muchos microprocesadores llamados "núcleos". Estos núcleos permiten que se ejecuten instrucciones individuales en múltiples entradas de datos al mismo tiempo, lo que acelera el tiempo de cálculo. En general, cuantos más núcleos, más procesos paralelos puede ejecutar. Las GPU son más eficientes que las unidades de procesamiento central (CPU) de uso general, ya que las CPU normalmente solo ejecutan una instrucción a la vez en una entrada de datos. Incluso las CPU más modernas que pueden ejecutar instrucciones individuales en múltiples entradas de datos se ven obstaculizadas por la falta de núcleos para poder procesar esos datos de manera rápida y eficiente. Cada uno de los núcleos en una GPU o CPU permite más operaciones de bytes simultáneas, las GPU solo permiten más potencia de procesamiento en paralelo ya que contienen más núcleos.
Dado que las GPU facilitan el trabajo de los procesos computacionales distribuidos masivos, cuantos más datos se ejecutan en las mismas tareas repetitivas, más importante se vuelve la GPU. En el aprendizaje automático, esta podría ser la diferencia entre el entrenamiento de su red neuronal en unos minutos u horas, y el entrenamiento en días, semanas o años. Este costo aumenta rápidamente cuando se trata de terminar su investigación de manera eficiente. Las GPU pueden estar presentes en una tarjeta de video, incrustadas en una placa base o en el circuito integrado para la CPU. Esto los hace no solo poderosos, sino también muy versátiles, lo que nos lleva a la siguiente pregunta,
¿Por qué las GPU sólo se han vuelto populares recientemente si son tan útiles?
Antes de 2007, se esperaba que los usuarios entendieran lenguajes exclusivos de GPU especializados, como OpenGL y Direct3D, que no eran prácticos de aprender. Esto creó una barrera de entrada para las GPU en tareas de aprendizaje automático y aprendizaje profundo. Sin embargo, en 2007, NVIDIA lanzó el marco CUDA, que fue diseñado para funcionar con C, C++ y Fortran y proporcionó a los usuarios una API. Estos cambios redujeron la barrera de entrada y abrieron el mercado a una mayor variedad de programadores. Este fue un cambio de juego que puso en marcha la promesa de avance en el aprendizaje automático.
En 2009, un artículo de investigación de Stanford de Raina et al. ayudó a estandarizar el uso de GPU para el aprendizaje automático y el aprendizaje profundo debido a su velocidad en los modelos de entrenamiento. Desde entonces, a medida que el poder del aprendizaje automático y el aprendizaje profundo se vuelven más reconocidos e importantes en nuestra sociedad y tecnología, las GPU se vuelven más importantes para que las entendamos y las valoremos.
El papel de la GPU en nuestros labpratorios
En Quanser, buscamos construir plataformas integradas altamente moldeables a la vanguardia de la investigación y la enseñanza para satisfacer las necesidades de nuestras comunidades académicas. A medida que construimos hardware para admitir sistemas más inteligentes y complejos, el hardware GPU se ha vuelto más esencial. Es por eso que nuestros estudios de investigación y enseñanza están equipados para satisfacer estas necesidades con facilidad.
Nuestros estudios de investigación de vehículos autónomos vienen con computadoras especializadas de alto rendimiento que contienen todo el software y el hardware necesarios para impulsar su investigación en su espacio. La serie NVIDIA GeForce RTX ha sido nuestra serie de GPU preferida debido a sus impresionantes capacidades. NVIDIA fue la primer GPU dedicada en 1999 y ha sido líder desde entonces. RTX es una tecnología pionera de NVIDIA para el trazado de rayos y ha dominado el espacio desde entonces. El trazado de rayos es una forma de modelar el comportamiento físico de la luz. Esta GPU permite que nuestros QLabs realicen iluminación dinámica en tiempo real.
La iluminación dinámica en tiempo real es una gran parte del trabajo realizado por la GPU en QLabs.
Esto permite a los investigadores estudiar cómo las condiciones de iluminación, los reflejos y las lentes de las cámaras afectarán la conducción autónoma para mejorar los modelos antes de implementarlos en el hardware. Todo, desde la vista de la lente de la cámara, la iluminación, la visualización de profundidad, los detalles y más, proviene de la GPU.
Diferentes cámaras de nuestro hardware se modelan en QLabs usando la GPU para observar cómo afectan el aprendizaje automático visual y las tareas de aprendizaje profundo. La imagen de la izquierda muestra una cámara CSI con mucha distorsión en la lente. La derecha muestra una cámara RealSense RGB que tiene un campo de visión más estrecho. El modelado de sistemas en tiempo real en QLabs depende de la GPU.
Desde entrenar sus modelos de aprendizaje automático y aprendizaje profundo hasta probar su hardware sin esfuerzo en nuestros QLabs virtuales, esta GPU puede abordarlo todo.
El papel de la GPU en el QCar
Al elegir una GPU para el QCar, NVIDIA Jetson TX2 fue la mejor opción con diferencia. La línea de supercomputadoras Jetson es bien conocida y de buena reputación. Con un alto poder computacional, empaquetado en un diseño más pequeño que el tamaño de una tarjeta de crédito, esta elección fue fácil. Esta supercomputadora cuenta con 256 Cuda Cores con una arquitectura de GPU NVIDIA Pascal. También cuenta con una CPU NVIDIA Denver 2 de 64 bits de doble núcleo junto con una CPU Quad-Core ARM® Cortex®-A57 MP Core.
Esta GPU integrada permite infinitas posibilidades de investigación y oportunidades de enseñanza para hacer que el QCar sea tuyo. Con una representación de video más rápida en tiempo real, puede reducir las fallas y la intermitencia. Usando SLAM, puedes mapear tus espacios más rápido. Al entrenar o implementar modelos en el automóvil, la GPU integrada es su mejor amigo para la eficiencia. Las oportunidades de las GPU son realmente infinitas.
Ir al artículo original
Más información sobre este producto
Entre en contacto con: Jacqueline Vicarte
jvicarte@multion.com