چکيده
نياز محاسباتي بالاي مورد نياز فرآيند آموزش در الگوريتم‌هاي يادگيري عميق از يك سو و متناسب بودن نوع محاسبات در اين نوع فرآيند با معماري GPUها، توجّه پژوهشگران اين حوزه را به بهره گيري از تعداد زياد هسته هاي پردازش موازيGPU براي اين منظور معطوف كرد. به عنوان نمونه، از كاربرد تشخيص ارقام دست‌نوشته – از زير مجموعه‌هاي دسته‌بندي تصاوير- مي‌توان نام برد. در آزمايشي از اين كاربرد، زمان اجرا با GPU نسبت به زمان اجرا با CPU چهار هسته اي Core i5-6600، 65/9 برابر كاهش يافت. در پژوهش ديگري از همين خانواده زمان اجرا با GPU نسبت به زمان اجرا با دو CPU ي مختلف از 14 تا 28 برابر كاهش يافت. مشابه همين بهبودها در ديگر كاربردهاي يادگيري عميق ديده مي‌شود. علاوه بر اين، استفاده از ساختار Multi-GPU نيز چه به صورت بر روي يك كامپيوتر و چه به صورت توزيع شده بر روي چند كامپيوتر، - اگر با ملاحظات تقسيم متعادل بار محاسباتي بر روي GPUها صورت بگيرد - نتايج بسيار بهتري در برخواهد داشت. مثلاً با توزيع متعادل بار، بين 10 تا 15 برابر، باز هم زمان پردازش را كاهش مي دهد و در يك سيستم توزيع شده، زمان پردازش 6 برابر كاهش يافت. آنچه در اين نوشتار عرضه مي‌شود بررسي آماري مزاياي استفاده از GPU در يادگيري عميق و چالش‌هاي پيش روي گسترش استفاده از آن است. در انتها به عنوان كار آينده و پيش رو، آماده سازي يك سيستم Multi-GPU با تعداد اوّليّه‌ي چهار عدد GPU بر روي يك كامپيوتر هدف گذاري شده است تا بدين وسيله بستر پردازشي مناسبي براي پياده سازي الگوريتم يادگيري عميقِ آماده‌ي مورد نظرمان فراهم گردد.
