Tesla

  • CUDA Y EL GPU COMPUTING
  • APLICACIONES PARA LA GPU
  • GPUs PARA SERVIDORES Y ESTACIONES DE TRABAJO
Aplicaciones para la GPU
Divider

Aprendizaje automático

La ciencia de los datos, tanto en el ámbito industrial como académico, lleva tiempo utilizando las GPUs en el área del aprendizaje automático para lograr avances de enorme trascendencia en numerosas aplicaciones que van, desde la clasificación de imágenes o el análisis de vídeo, hasta el reconocimiento de voz o el tratamiento del lenguaje natural. En concreto, la rama del “aprendizaje profundo” (el uso de sofisticadas redes neuronales profundas de múltiples niveles para crear sistemas capaces de extraer variables a partir de cantidades masivas de datos no etiquetados) ha recibido un gran impulso favorecido por considerables inversiones y estudios de investigación.

Aunque el aprendizaje automático lleva décadas desarrollándose, dos circunstancias surgidas hace relativamente poco han provocado su rápida expansión: la disponibilidad de cantidades masivas de datos con los que trabajar y la aparición de sistemas de procesamiento paralelo potentes y eficientes derivados del GPU computing. Las GPUs se utilizan para entrenar estas redes neuronales profundas utilizando conjuntos de datos un orden de magnitud más grandes, en menos tiempo y utilizando una infraestructura de sistemas considerablemente menor. Pero también pueden utilizarse para trasladar esos modelos de aprendizaje a la nube a fin de realizar operaciones de clasificación y predicción con volúmenes de datos aún más grandes a más velocidad, con una infraestructura más pequeña y con menos consumo energético.

Entre las primeras organizaciones en adoptar las GPUs de aceleración se encuentran muchas de las grandes empresas de Internet y medios sociales, así como importantes institutos de investigación en el ámbito de la ciencia de los datos y el aprendizaje automático. Miles de núcleos de procesamiento y una velocidad de cálculo entre 10 y 100 veces mayor que la de las CPUs en solitario han convertido a las GPUs en el procesador preferido para el mundo del Big Data.

 

Pruebas de rendimiento de aplicaciones de aprendizaje automático

SGEMM Performance

Con las GPUs, la transcripción de voces grabadas o contenidos multimedia se puede realizar a velocidades muy superiores. Si se compara con la implementación en CPUs, podemos efectuar el reconocimiento hasta 33 veces más rápido.

 

- Profesor Ian Lane, Universidad Carnegie Mellon

 

Averigua lo que están haciendo otros científicos en el campo del aprendizaje automático y consigue información sobre herramientas, plataformas de software y configuraciones de sistemas que te ayudarán a iniciarte en el uso de esta tecnología.

 
 
Herramientas de aprendizaje automático
  • Caffe: Framework for convolutional neural network algorithms
  • cuda-convnet: High performance C++/CUDA implementation of convolutional neural networks
  • Theano: Python library to define, optimize, and evaluate mathematical expressions
  • Torch7: Scientific computing framework for machine learning algorithms 
  • cuBLAS: GPU-accelerated version of the complete standard BLAS library
  • MATLAB: Easy-to-use HPC language integrating computation, visualization, and programming
  • cxxnet: Neural network toolkit
 
 
 
Charlas técnicas sobre aprendizaje automático
 
Artículos técnicos sobre aprendizaje automático
 
Empresas e institutos de investigación que utilizan las GPUs para el aprendizaje automático
Adobe Baidu Facebook Flickr
IBM Microsoft Netflix Nuance
Yandex      
 
Opciones de configuración
Estación de trabajo de desarrollo Cluster de aprendizaje

2 GPUs aceleradoras NVIDIA Tesla K40

2 CPUs Intel Xeon CPU (8 núcleos o más)

64 GB de memoria del sistema

8 GPUs aceleradoras NVIDIA Tesla K40

2 CPUs Intel Xeon CPU (8 núcleos o más)

256 GB de memoria del sistema

 

Opciones de configuración

Konfigurationsoptionen

 

Para obtener más información sobre la compra de GPUs aceleradoras, entra en la página Dónde comprar Tesla.

 
 
 
 
 
 
CUDA y el GPU Computing

Qué es el GPU Computing
Hechos sobre el GPU computing
Programación para la GPU
Arquitectura de GPU Kepler
Computación en la nube con las GPUs
Contacto

Qué es CUDA
Escaparate de aplicaciones CUDA
Formación en CUDA
Centros de Excelencia CUDA
Centros de Investigación de CUDA
Centros de Enseñanza de CUDA

Aplicaciones para la GPU

Aplicaciones para GPUs Tesla
Casos de estudio sobre Tesla
Directivas de OpenACC
Prueba de GPUs Tesla

GPUs Tesla para servidores
y estaciones de trabajo

Por qué elegir Tesla
Soluciones Tesla para servidor
Soluciones Tesla para estaciones
de trabajo

Plataforma de desarrollo integrado
Comprar GPUs Tesla

Noticias e información
sobre Tesla

Documentación sobre los
productos Tesla

Características del software
para Tesla

Herramientas de desarrollo de
software para Tesla

NVIDIA y la investigación
Alertas de Tesla

Síguenos en la red

NVIDIA Blog Blog de NVIDIA
Facebook Facebook
Twitter @NVIDIA_ES
YouTube YouTube