આ ગૂગલ સંશોધનકારોએ બહાર પાડ્યું તેના નવા ફ્રેમવર્કના વિકાસ વિશેના સમાચાર જે કૃત્રિમ ગુપ્તચર મોડેલોની તાલીમ હજારો મશીનો સુધી વિસ્તરે છે. પરિણામ કહેવામાં આવે છે બીજ આર.એલ. (સ્કેલેબલ કાર્યક્ષમ deepંડા મજબૂતીકરણ શિક્ષણ).
આ છે એક આશાસ્પદ વિકાસ કારણ કે મારે જોઈએ કૃત્રિમ ગુપ્તચર અલ્ગોરિધમ્સને પ્રતિ સેકંડ લાખો છબીઓ પર તાલીમ આપવા માટે સક્ષમ કરો અને આ તાલીમના ખર્ચમાં 80% ઘટાડો કરે છે, ગૂગલે એક સંશોધન પેપરમાં જણાવ્યું હતું.
આ પ્રકારનું ડાઉનસાઇઝિંગ સ્ટાર્ટઅપ્સ માટે રમી ક્ષેત્રને બરાબર કરવામાં મદદ કરી શકે છે. તે હજી સુધી એઆઈના ક્ષેત્રમાં ગૂગલ જેવા મુખ્ય લોકો સાથે સ્પર્ધા કરી શક્યા નથી. ક્લાઉડમાં અત્યાધુનિક મશીન લર્નિંગ મોડેલોને તાલીમ આપવાની કિંમત આશ્ચર્યજનક રીતે વધારે છે. ગૂગલ બીજ આરએલ કોડ ખોલવાનું izesપચારિક બનાવે છે, જેનો હેતુ મજબૂતીકરણ શિક્ષણના ખર્ચ / પ્રદર્શન રેશિયોને શ્રેષ્ઠ બનાવવાનો છે.
રિઇનફોર્સમેન્ટ લર્નિંગ એ ખૂબ જ વિશિષ્ટ ઉપયોગ-કેસ અભિગમ છે જેમાં એજન્ટો તેમના પર્યાવરણ વિશે સંશોધન દ્વારા શીખે છે અને સૌથી વધુ પારિતોષિકો મેળવવા માટે તેમની ક્રિયાઓને શ્રેષ્ઠ બનાવે છે.
R બીજ આર.એલ. માં: સ્કેલેબલ અને કાર્યક્ષમ ડીપ-આરએલ, એક્સિલરેટેડ સેન્ટ્રલ ઇનફરન્સ, "અમે એક આરએલ એજન્ટ રજૂ કર્યો જે હજારો મશીનોને ભીંગડા આપે છે, જે પ્રતિ સેકન્ડ લાખો ફ્રેમ્સમાં તાલીમ સક્ષમ કરે છે અને ગણતરીત્મક કાર્યક્ષમતામાં નોંધપાત્ર સુધારો કરે છે. આ એક નવલકથા આર્કિટેક્ચર સાથે પ્રાપ્ત થયું છે જે મોડેલ અનુક્રમણિકાને કેન્દ્રિત કરીને અને ઝડપી સંચાર સ્તરની રજૂઆત દ્વારા સ્કેલ પર એક્સિલરેટર્સ (જીપીયુ અથવા ટીપીયુ) નો લાભ લે છે.
અમે ગૂગલ રિસર્ચ ફુટબ ,લ, આર્કેડ લર્નિંગ એન્વાયર્નમેન્ટ, અને ડીપમાઇન્ડ લેબ જેવા લોકપ્રિય આરએલ બેંચમાર્ક પર બીજ સીએલ આરએલ પ્રભાવ પ્રદર્શિત કરીએ છીએ અને બતાવીએ છીએ કે મોટા મ modelsડેલ્સનો ઉપયોગ કરીને ડેટા કાર્યક્ષમતા વધારી શકાય છે. કોડ જી.પી.યુ. સાથે ગૂગલ ક્લાઉડ પર ચલાવવાનાં ઉદાહરણો સાથે ગીથોબ પર ખોલવામાં આવ્યો છે.
બીજ આરએલ ટેન્સરફ્લો 2.0 ફ્રેમવર્ક પર આધારિત છે y ગ્રાફિક્સ પ્રોસેસિંગ એકમોના સંયોજનનો ઉપયોગ કરીને કાર્ય કરે છે અને ટેન્સર પ્રોસેસિંગ એકમો મોડેલ અનુમાનને કેન્દ્રિત કરવા માટે. મોડેલને તાલીમ આપતા શીખવાના ઘટકનો ઉપયોગ કરીને કેન્દ્રમાં કેન્દ્રિત કરવામાં આવે છે.
લક્ષ્ય મોડેલની ચલો અને રાજ્ય માહિતી સ્થાનિક રૂપે સંગ્રહિત થાય છે અને તેના પરના નિરીક્ષણો પ્રક્રિયાના દરેક તબક્કે વિદ્યાર્થીને મોકલવામાં આવે છે. વિલંબતા ઘટાડવા માટે બીજ આરએલ ખુલ્લા સ્રોત સાર્વત્રિક આરપીસી માળખાના આધારે નેટવર્ક લાઇબ્રેરીનો પણ ઉપયોગ કરે છે.
આ ગૂગલ સંશોધનકારોએ કહ્યું છે કે લર્નિંગ કમ્પોનન્ટ બીજ આરએલ દ્વારા હજારો કોર સુધી વિસ્તૃત થઈ શકે છે, જ્યારે પર્યાવરણમાં માપદંડ લેવા અને આગળની કાર્યવાહીની આગાહી કરવા મોડેલ પર અનુમાન ચલાવવા વચ્ચે અભિનેતાઓની સંખ્યાને પુનરાવર્તિત કરવામાં આવે ત્યારે, હજારો મશીનો સુધી સ્કેલ કરી શકાય છે.
ગૂગલે સીડ આરએલની અસરકારકતાને તેની લોકપ્રિય તુલનાત્મક આર્કેડ લર્નિંગ એન્વાયર્નમેન્ટ, ગૂગલ રિસર્ચ ફૂટબ environmentલ એન્વાયર્નમેન્ટ અને વિવિધ ડીપમાઈન્ડ લેબ એન્વાયર્નમેન્ટ્સ સાથે સરખામણી કરી. પરિણામો બતાવે છે કે તેઓ ગૂગલ રિસર્ચ ફૂટબ taskલ ટાસ્કને હલ કરવામાં સફળ થયા છે જ્યારે મોડેલને દર સેકંડ 2,4 મિલિયન ફ્રેમ્સ પર તાલીમ આપે છે. ક્લાઉડ ટેન્સર પ્રોસેસિંગ યુનિટના 64 ચિપ્સનો ઉપયોગ કરીને.
તે અગાઉના ફ્રેમ્સ કરતા લગભગ 80 ગણો વધુ ઝડપી છે, ગૂગલે કહ્યું.
"આ એક નોંધપાત્ર સમયના પ્રવેગમાં અનુવાદ કરે છે, કારણ કે સી.પી.યુ. કરતા ઓપરેશન દીઠ પ્રવેગકો ખૂબ સસ્તું હોય છે, તેથી પ્રયોગોની કિંમત ખૂબ ઓછી કરવામાં આવે છે." ગૂગલ રિસર્ચના રિસર્ચ એન્જિનિયર લાસ એસ્પહોલ્ટ લખે છે કે, અમારું માનવું છે કે બીજ આરએલ અને પ્રસ્તુત પરિણામો બતાવે છે કે રિઇન્સફોર્સમેન્ટ લર્નિંગ ફરી એકવાર એક્સિલરેટર વપરાશની બાબતમાં બાકીની deepંડા ભણતરને પકડ્યું છે.
આધુનિક એક્સીલેટરમાં ઉપયોગ માટે શ્રેષ્ટ આર્કિટેક્ચર સાથે, ડેટા કાર્યક્ષમતા વધારવાના પ્રયાસમાં મોડેલનું કદ વધારવું સ્વાભાવિક છે.
ગૂગલે કહ્યું કે બીજ આરએલ કોડ ખુલ્લો સ્રોત છે અને ગીથબ પર ઉપલબ્ધ છે, તેમજ ગ્રાફિક્સ પ્રોસેસિંગ યુનિટ્સ સાથે તેને Google મેઘ પર કેવી રીતે કાર્ય કરવું તે દર્શાવતા ઉદાહરણો.
છેવટે, આ નવા માળખામાં રસ ધરાવતા લોકો માટે, તેઓ નીચેની લિંક પર જઈ શકે છે જ્યાં તેઓ તેના વિશે વધુ માહિતી મેળવી શકે છે. કડી આ છે.
સ્રોત: https://ai.googleblog.com/