CPU

Papel en la IA y el aprendizaje automático

Las CPU están diseñadas como procesadores de propósito general, excelentes para ejecutar secuencias de instrucciones rápidamente y manejar diversas tareas computacionales. Las características clave que afectan al rendimiento incluyen la velocidad del reloj (cuántas operaciones por segundo) y el número de núcleos (que permiten la ejecución paralela de tareas). Aunque las CPU modernas de fabricantes como Intel y AMD cuentan con varios núcleos, no poseen la arquitectura masivamente paralela de las GPU, lo que las hace menos adecuadas para las multiplicaciones matriciales a gran escala habituales en el entrenamiento del aprendizaje profundo.

Sin embargo, las CPU son indispensables en los pipelines de IA/ML para varias funciones críticas:

• Preparación de datos: Tareas como la carga de conjuntos de datos, la limpieza de datos, la transformación y el aumento de datos suelen ejecutarse eficazmente en CPU. Bibliotecas como Pandas y partes de Scikit-learn dependen en gran medida del procesamiento de CPU . La preparación de los datos para los proyectos de visión por ordenador es un paso habitual CPU.
• Orquestación del flujo de trabajo: Las CPU gestionan el flujo de ejecución general de los pipelines de ML, coordinando las tareas entre los distintos componentes de hardware (como las GPU) y los módulos de software.
• Modelos de ML tradicionales: Muchos algoritmos clásicos de ML, como las máquinas de vectores soporte (SVM ) y los bosques aleatorios, suelen entrenarse y ejecutarse eficazmente en CPU.
• Inferencia: Aunque las GPU ofrecen un alto rendimiento para la inferencia, las CPU se utilizan con frecuencia para la inferencia en tiempo real, especialmente en entornos con recursos limitados(Edge AI) o cuando se prioriza la latencia para predicciones únicas sobre el rendimiento por lotes. Frameworks como ONNX Runtime y el kit de herramientas OpenVINO deIntel proporcionan capacidades de inferencia optimizadas en CPU. Los modelos Ultralytics pueden exportarse a formatos como ONNX para su despliegue en CPU , detallado en la documentación de exportación de modelos.
• Operaciones de entrada/salida (E/S): Las CPU se encargan de la lectura y escritura de datos desde el almacenamiento y la comunicación de red, esenciales para cargar modelos y datos.

CPU vs. GPU y TPU

La principal diferencia entre CPU, GPU y TPU radica en su arquitectura y finalidad:

• CPU: Procesador de propósito general optimizado para la ejecución de tareas secuenciales con baja latencia. Tiene unos pocos núcleos potentes. Ideal para el flujo de control, funciones del sistema operativo y cálculos diversos.
• GPU: Originalmente para gráficos, ahora ampliamente utilizada para IA. Presenta miles de núcleos más pequeños optimizados para el procesamiento paralelo de grandes bloques de datos (como las matrices en el aprendizaje profundo). Consulta los ejemplos de GPUNVIDIA . Acelera significativamente el entrenamiento de modelos como Ultralytics YOLO.
• TPU: El hardware personalizado deGoogle, diseñado específicamente para acelerar los cálculos tensor utilizados en las redes neuronales, en particular dentro del TensorFlow de TensorFlow. Optimizado para un alto rendimiento y eficiencia en cargas de trabajo específicas de ML.

Incluso en sistemas que dependen en gran medida de GPUs o TPUs para entrenar modelos complejos como YOLOv10 o YOLO11la CPU gestiona el sistema general, prepara los datos y se encarga de las partes del flujo de trabajo que no son adecuadas para los aceleradores. Elegir el hardware adecuado implica comprender estas compensaciones para un despliegue eficiente del modelo.

Ejemplos reales de IA/ML con CPU

1. Preprocesamiento del Procesamiento del Lenguaje Natural (PLN): Tareas como la tokenización, en la que el texto se descompone en unidades más pequeñas (palabras o subpalabras), son fundamentales en PNL. Bibliotecas como Tokenizers deHugging Face suelen realizar estas operaciones de forma eficiente en la CPU antes de pasar los datos a una GPU para la inferencia o el entrenamiento del modelo.
2. Inferencia en dispositivos Edge: Muchas aplicaciones Edge AI despliegan modelos ML en dispositivos con potencia y recursos computacionales limitados, como una Raspberry Pi o dispositivos basados en arquitectura ARM. En estos casos, la inferencia suele ejecutarse directamente en la CPU del dispositivo, posiblemente utilizando bibliotecas optimizadas como TensorFlow Lite u OpenVINO para conseguir un rendimiento aceptable en tareas como la detección básica de objetos o la localización de palabras clave. La gestión de estos despliegues puede facilitarse mediante plataformas como Ultralytics HUB.

Comprender las capacidades y limitaciones de CPU es crucial para diseñar y optimizar los sistemas de IA de extremo a extremo, desde el tratamiento de los datos(véase la guía de recopilación de datos) hasta la implantación eficiente en diversas plataformas de hardware.