CPU

تُعد وحدة المعالجة المركزيةCPU) بمثابة المكون الأساسي للكمبيوتر الذي يعمل كمركز تحكمه, حيث تقوم بتنفيذ التعليمات وتنظيم تدفق البيانات عبر النظام. وغالباً ما يشار إليها باسم "العقل" للجهاز، حيث تتولى CPU المركزية مهام الحوسبة ذات الأغراض العامة، مثل تشغيل نظام التشغيل وإدارة عمليات الإدخال/الإخراج. في سياق الذكاء الاصطناعي (AI) و والتعلم الآلي (ML)، تلعب CPU المركزية دورًا دورًا أساسيًا. على الرغم من أنها قد لا توفر التوازي الهائل المطلوب لتدريب النماذج الثقيلة تدريب النماذج الثقيلة، إلا أنها ضرورية للمعالجة المسبقة للبيانات, وإدارة منطق النظام، وتنفيذ الاستدلال على الأجهزة المتطورة حيث يكون استهلاك الطاقة وتكاليف الأجهزة القيود.

CPU مقابل GPU TPU)

يعد فهم مشهد الأجهزة أمرًا ضروريًا لتحسين عمليات التعلم الآلي (MLOps). تختلف CPU اختلافًا كبيرًا عن المسرّعات مثل وحدات معالجة الرسومات ووحدات المعالجة الرسومية ووحدات المعالجة الحرارية TPU في البنية والاستخدام المقصود:

• CPU المركزية (CPU ): مصممة للمعالجة المتسلسلة منخفضة التأخير. وهي تتميز بعدد قليل من النوى القوية القادرة على التعامل مع المنطق المعقد والتفرع. وهذا يجعلها مثالية لمهام مثل تنظيف البيانات وتنسيق خط أنابيب الإجمالي. تشمل البنى الرئيسية x86Intel وAMD) وARM.
• وحدة معالجة الرسومات (GPU ): صُممت وحدة معالجة الرسومات في الأصل لعرض الرسومات، وتستخدم وحدات معالجة الرسومات آلاف النوى الأصغر حجماً لإجراء المعالجة المتوازية. هذه البنية ضرورية لعمليات المصفوفة الموجودة في التعلم العميق (DL) وتسرع بشكل كبير من تدريب الشبكات العصبية الكبيرة.
• وحدة معالجةTensor (TPU ): دائرة متكاملة خاصة بالتطبيقات دائرة متكاملة خاصة بالتطبيقات (ASIC) طوَّرتها Google خصيصًا لتسريع عمليات حساب tensor في أطر مثل TensorFlow.

الدور في سير عمل الذكاء الاصطناعي

على الرغم من أن وحدات معالجة الرسومات غالبًا ما تكون محور التركيز في التدريب، تظل CPU لا غنى عنها طوال دورة حياة الذكاء الاصطناعي.

1. المعالجة المسبقة للبيانات: قبل أن يتمكن النموذج من "رؤية" البيانات، يجب تحميل الصور أو النصوص وتحويلها وتحويلها. عمليات مثل تغيير الحجم، والتطبيع، و وزيادة البيانات يتم التعامل معها عادةً بواسطة CPU باستخدام مكتبات مثل NumPy و OpenCV. تمنع المعالجة الفعالة CPU GPU من من الجلوس في وضع الخمول أثناء انتظار البيانات.
2. المعالجة اللاحقة: بعد أن يقوم النموذج بتوليد تنبؤات أولية، تقوم CPU غالبًا بإجراء الحسابات النهائية. على سبيل المثال، في اكتشاف الأجسام تقوم CPU بتنفيذ الكبت غير الأقصى (NMS) من أجل لتصفية المربعات المحدودة المتداخلة والاحتفاظ بأكثر الاكتشافات ثقة.
3. استدلال الحافة: في العديد من سيناريوهات العالم الحقيقي، لا يمكن استخدام وحدات معالجة الرسومات باهظة الثمن. تعتمد حافة الذكاء الاصطناعي بشكل كبير على وحدات المعالجة المركزية لتشغيل نماذج خفيفة الوزن خفيفة الوزن على أجهزة مثل Raspberry Pi أو الهواتف المحمولة أو الهواتف المحمولة.

تطبيقات واقعية

تعمل وحدات المعالجة المركزية على تسهيل مجموعة كبيرة من التطبيقات حيث يتم إعطاء الأولوية لتعدد الاستخدامات وكفاءة الطاقة على الإنتاجية الخام.

• أنظمة المراقبة الذكية: تستخدم العديد من الأنظمة الأمنية خوارزميات كشف الحركة التي تعمل على وحدات المعالجة المركزية القياسية. من خلال معالجة موجزات الفيديو محليًا على جهاز التسجيل، يمكن للنظام تشغيل التنبيهات أو بدء التسجيل فقط عند اكتشاف نشاط، مما يوفر التخزين والنطاق الترددي دون الحاجة إلى GPU مخصصة.
• إنترنت الأشياء الصناعي (IIoT): في التصنيع, غالبًا ما تعمل أنظمة الصيانة التنبؤية على وحدات المعالجة المركزية المدمجة في وحدات التحكم الصناعية. تراقب هذه الأنظمة بيانات المستشعرات (الاهتزاز ودرجة الحرارة) في الوقت الفعلي للتنبؤ بأعطال الماكينات باستخدام نماذج انحدار أو تصنيف خفيفة الوزن، مما يضمن تشغيل أتمتة التصنيع بسلاسة.

تشغيل الاستدلال على CPU

كثيرًا ما يستخدم المطورون CPU لتصحيح الأخطاء أو الاختبار أو نشر النماذج في البيئات التي تفتقر إلى متخصصة. الأطر مثل PyTorch تسمح للمستخدمين استهداف CPU بشكل صريح. علاوة على ذلك، فإن تحويل النماذج إلى صيغ مثل ONNX أو استخدام مجموعة أدوات مجموعة أدواتOpenVINO يمكن أن يحسن بشكل كبير من سرعات الاستدلال على وحدات المعالجة المركزية Intel .

يوضح المثال التالي كيفية فرض Ultralytics YOLO11 لتشغيل الاستدلال على CPU. هذا مفيد بشكل خاص لقياس الأداء على الأجهزة القياسية.

from ultralytics import YOLO

# Load the official YOLO11 nano model
model = YOLO("yolo11n.pt")

# Run inference on an image, explicitly setting the device to CPU
# This bypasses any available GPU to simulate an edge deployment environment
results = model.predict("https://ultralytics.com/images/bus.jpg", device="cpu")

# Display the detection results
results[0].show()

استخدام device="cpu" تضمن الوسيطة بقاء الحساب على المعالج المركزي, مما يسمح للمطورين بالتحقق من توافق النموذج مع الحوسبة بدون خادم البيئات أو الأجهزة ذات الطاقة المنخفضة أو الأجهزة منخفضة الطاقة.