На этом шаге мы перечислим необходимое аппаратное обеспечение для решения задач глубокого обучения.
Прежде чем приступать к разработке приложений глубокого обучения, нужно настроить рабочее окружение. Для выполнения кода, реализующего глубокое обучение, рекомендуется (но это не обязательно) использовать современный графический процессор NVIDIA. Некоторые приложения - в частности, для обработки изображений с применением сверточных сетей - показывают крайне низкую производительность даже на очень быстрых многоядерных CPU. И даже приложениям, которые вполне могут выполняться на CPU, выполнение на современном GPU часто дает прирост скорости примерно в 5-10 раз.
Есть три варианта настройки окружения для глубокого обучения на графическом процессоре:
- купить и установить на рабочую станцию физический графический процессор NVIDIA;
- использовать экземпляры GPU в Google Cloud или AWS EC2;
- использовать бесплатную среду выполнения на графическом процессоре от Colaboratory - службы для блокнотов Jupiter, поддерживаемой компанией Google (мы рассмотрим эти блокноты подробнее в следующих шагах).
Служба Colaboratory предлагает самый простой способ начать работу: она не требует покупки оборудования и установки программного обеспечения - просто откройте вкладку в браузере и приступайте к программированию. Именно этот вариант мы рекомендуем для выполнения рассматриваемых в дальнейшем примеров. Однако бесплатная версия Colaboratory подходит только для небольших рабочих нагрузок. Для масштабных проектов вам придется использовать первый или второй вариант.
Если у вас еще нет GPU (последней, высокопроизводительной модели NVIDIA GPU), который можно было бы использовать для нужд глубокого обучения, эксперименты с глубоким обучением в облаке - это простой и недорогой способ, не требующий покупки дополнительного оборудования. При использовании Jupyter Notebook работа в облаке ничем не будет отличаться от работы на локальном компьютере.
Однако тем, кто планирует заниматься глубоким обучением всерьез, такой подход не годится - он не подойдет даже новичкам, собирающимся фокусироваться на теме дольше нескольких месяцев. Облачные экземпляры недешевы. Если вы намерены всерьез заняться глубоким обучением, подумайте об оснащении рабочей станции одним или несколькими GPU.
Кроме того, независимо от окружения, локального или облачного, лучше взять рабочую станцию Unix. Технически библиотеку Keras можно использовать непосредственно в Windows. Если у вас Windows и вы хотите заниматься глубоким обучением на собственной рабочей станции, самое простое решение - установить Ubuntu второй операционной системой или использовать подсистему Windows Subsystem for Linux (WSL) - слой совместимости, позволяющий запускать приложения для Linux в Windows.
Может показаться, что это слишком хлопотно, однако подобный подход поможет сэкономить вам массу времени и избавит от многих проблем в будущем.
На следующем шаге мы рассмотрим Jupyter Notebook.
