Les unités de traitement graphique, ou GPU (Graphical Processing Units), sont populaires parmi les scientifiques des données pour l’entraînement de modèles d’apprentissage machine et profond. Mais quelle est la différence entre les GPU et leurs compagnons, les unités centrales de traitement (CPU, Central Processing Units)?
Il existe plusieurs aspects où les GPU diffèrent des CPU. Les GPU et les CPU modernes possèdent plusieurs cœurs, plutôt qu’un seul. Un cœur est la plus petite partie autonome du processeur qui agit comme un CPU conventionnel. Bien que le nombre de cœurs dans un GPU soit beaucoup plus élevé que dans un CPU, l’architecture interne de ces cœurs GPU est relativement simple. Les cœurs de CPU, eux, intègrent des technologies qui permettent des calculs plus rapides, comme l’exécution de code optimisée. De plus, la fréquence opérationnelle des GPU est inférieure à celle des CPU. Ainsi, lorsqu’on compare un seul cœur, les GPU sont plus lents que les CPU.
Le nombre élevé de nœuds simples dans les GPU accélère considérablement les calculs parallèles, par exemple dans la multiplication de matrices, où les opérations sont indépendantes. Avec l’évolution des tâches en apprentissage machine et en apprentissage profond, on a constaté qu’elles nécessitent une quantité énorme de calculs pouvant être effectués simultanément. Par conséquent, l’utilisation des GPU permet d’accélérer ces applications. C’est pourquoi les GPU sont largement employés dans ces calculs relativement simples ainsi que dans les domaines de la science des données qui reposent sur une grande quantité de calculs élémentaires.