وحدة معالجة المكثفات (TPU)

ما هي TPU؟

تم تصميم وحدة المعالجة الحرارية TPU من الألف إلى الياء لتلبية المتطلبات الفريدة للتعلم الآلي (ML). وعلى عكس المعالجات ذات الأغراض العامة مثل وحدات المعالجة المركزية أو حتى وحدات معالجة الرسومات التي تتعامل مع مجموعة واسعة من المهام، فإن وحدات المعالجة الحرارية TPU مصممة خصيصًا للتفوق في عمليات حساب الموتر - العمليات الرياضية الأساسية في الشبكات العصبية (NNs). الموتر عبارة عن مصفوفات متعددة الأبعاد تمثل البيانات في نماذج التعلم الآلي، وقد تم تحسين وحدات المعالجة ثلاثية الأبعاد لأداء عمليات مضاعفة المصفوفات على نطاق واسع وغيرها من عمليات الجبر الموتر بسرعة عالية وكفاءة في استخدام الطاقة. يسمح هذا التخصص لوحدات المعالجة التفاعلية بتنفيذ مهام تعلّم الآلة بسرعة أكبر بكثير من وحدات المعالجة المركزية، وفي العديد من السيناريوهات، بكفاءة أكبر من وحدات معالجة الرسومات، خاصةً عند العمل مع أطر عمل مثل TensorFlow التي تم تحسينها في البداية من أجلها. يتوفر أيضًا دعم لأطر عمل أخرى مثل PyTorch، مما يوسع من إمكانية استخدامها. يمكنك معرفة المزيد حول التفاصيل من مقدمة Google Cloud TPU.

تطبيقات وحدات المعالجة الثلاثية

تُستخدم وحدات المعالجة الثلاثية على نطاق واسع في العديد من التطبيقات، لا سيما تلك التي تعمل بواسطة خدمات Google، وبشكل متزايد في مجالات الذكاء الاصطناعي وتعلم الآلة الأوسع نطاقًا التي يمكن الوصول إليها عبر منصات مثل Google Cloud. تشمل التطبيقات الرئيسية ما يلي:

• تدريب النماذج على نطاق واسع: تتفوق وحدات المعالجة ثلاثية الأبعاد في تدريب نماذج التعلم العميق الضخمة التي تتطلب قوة حاسوبية هائلة وإعدادات تدريب موزعة. على سبيل المثال، تستخدم Google وحدات المعالجة ثلاثية الأبعاد داخليًا لتدريب نماذج متطورة لخدمات مثل بحث Google وترجمة Google، والتعامل مع مجموعات البيانات الضخمة والبنى المعقدة.
• الاستدلال عالي الحجم: بالنسبة للتطبيقات التي تتطلب استدلالاً سريعاً وفعالاً على كميات كبيرة من البيانات، توفر وحدات المعالجة الحرارية تسريعاً كبيراً. وهذا أمر بالغ الأهمية للخدمات في الوقت الفعلي مثل معالجة اللغة الطبيعية (NLP) في روبوتات الدردشة أو مهام الرؤية الحاسوبية (CV) مثل اكتشاف الأجسام على نطاق واسع في صور Google.
• البحث والتطوير: يستفيد الباحثون من وحدات المعالجة الحرارية عبر المنصات والبيئات السحابية مثل Kaggle (راجع دليل تكامل Ultralytics Kaggle) لتسريع التجارب وتطوير نماذج الذكاء الاصطناعي المتطورة، مثل تلك المستخدمة في تحليل الصور الطبية أو المحاكاة العلمية.
• حوسبة الحافة: توفر الإصدارات الأصغر، المعروفة باسم Edge TPUs، إمكانات استدلال التعلم الآلي مباشرةً إلى الأجهزة، مما يتيح التطبيقات في إنترنت الأشياء والروبوتات التي تتطلب زمن استجابة منخفض ومعالجة غير متصلة بالإنترنت. تعرف على المزيد حول مبادئ حوسبة الحافة.

وحدات المعالجة ثلاثية الأبعاد مقابل وحدات معالجة الرسومات مقابل وحدات المعالجة المركزية

في حين أن وحدات معالجة الرسوميات ووحدات معالجة الرسومات ووحدات المعالجة المركزية يمكنها جميعًا معالجة العمليات الحسابية، إلا أنها مصممة لأغراض مختلفة وتتفوق في مهام مختلفة:

• وحدة المعالجة المركزية (CPU): دماغ الحاسوب القياسي، وهو مصمم لمهام الحوسبة ذات الأغراض العامة. وهي تتعامل مع عمليات النظام، وتنفذ تعليمات البرنامج بالتتابع، وتدير أعباء العمل المتنوعة، ولكنها بطيئة نسبيًا بالنسبة للعمليات الحسابية المتوازية الضخمة اللازمة في التعلم العميق. اقرأ المزيد عن المقارنة بين وحدة المعالجة المركزية ووحدة معالجة الرسومات.
• وحدة معالجة الرسومات (GPU): صُممت وحدات معالجة الرسومات في الأصل لعرض الرسومات، وتتميز وحدات معالجة الرسومات بآلاف النوى المحسّنة للمعالجة المتوازية. وهذا يجعلها فعالة للغاية لتدريب وتشغيل العديد من نماذج تعلّم الآلة (ML)، مما يوفر توازناً جيداً بين الأداء والمرونة في مختلف المهام مثل اكتشاف الكائنات باستخدام نماذج Ultralytics YOLO. ومن بين المزودين الرئيسيين لوحدات معالجة الرسومات NVIDIA وAMD.
• وحدة معالجة المكثفات (TPU): مصممة خصيصًا كمعالج مصفوفة لأعباء عمل الشبكات العصبية. توفر وحدات معالجة الموتر (TPU) أعلى أداء وكفاءة في استهلاك الطاقة لعمليات الموتر واسعة النطاق، خاصةً ضمن نظام Google البيئي(TensorFlow، PyTorch على سحابة Google). قد تكون أقل مرونة من وحدات معالجة الرسومات للحوسبة المتوازية العامة ولكنها يمكن أن توفر مزايا كبيرة من حيث التكلفة والسرعة لمهام محددة واسعة النطاق في مجال التعلم الآلي المستضافة على منصات مثل منصة Google Cloud Platform.

باختصار، تمثل وحدات المعالجة ثلاثية الأبعاد تقدمًا كبيرًا في الأجهزة المصممة خصيصًا لتلبية متطلبات التعلم الآلي الحديث، مما يوفر أداءً وكفاءة محسّنين لتطبيقات ذكاء اصطناعي محددة، لا سيما مهام التدريب والاستدلال واسعة النطاق. وهي تكمل المسرعات الأخرى مثل وحدات معالجة الرسومات، وتوفر خيارات تعتمد على عبء العمل المحدد، والحجم، والنظام البيئي للبرامج. يمكنك استكشاف خيارات التدريب، بما في ذلك الموارد السحابية، من خلال منصات مثل Ultralytics HUB التي توفر إمكانات تدريب وإدارة مبسطة للنماذج. لمزيد من القراءة حول اتجاهات الذكاء الاصطناعي، تفضل بزيارة مدونة Ultralytics.