Glosario

CPU

Explora el papel vital de CPU en la IA y el Aprendizaje Automático. Infórmate sobre su uso en la preparación de datos, la inferencia y cómo se compara con las GPU/TPU.

Entrena los modelos YOLO simplemente
con Ultralytics HUB

Saber más

Una Unidad Central de ProcesoCPU), a menudo denominada simplemente procesador, es el componente central de un ordenador que ejecuta instrucciones y realiza los cálculos primarios necesarios para que el sistema funcione. Se encarga de las operaciones aritméticas básicas, lógicas, de control y de entrada/salida (E/S) especificadas por las instrucciones del software. Dentro de los dominios de la Inteligencia Artificial (IA) y el Aprendizaje Automático (AM), aunque el hardware especializado como las GPU y las TPU destacan en el procesamiento paralelo para tareas como el entrenamiento de modelos de aprendizaje profundo, la CPU sigue siendo un componente esencial y versátil que orquesta el flujo de trabajo general.

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:

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.

Leer todo