内容
提出者：AltaML
问：
为什么图形处理单元（GPU）对于深度学习很重要？
A：
图形处理单元（GPU）的使用对于深度学习领域尤其重要。原因与深度学习系统的设置方式以及它们打算做什么有关。
专家将深度学习定义为一种机器学习，其中算法使用多层进行渐进式数据分析。
一些示例引用了特定示例，例如卷积神经网络（CNN），其各个层涉及最大池，过滤，填充，跨步和其他任务。
从广义上讲，诸如图像处理和自然语言处理之类的东西依赖于多步骤，多算法的过程，其中许多过程类似于机器学习专业人员学会识别和分析的神经网络。
正如我们在前一篇文章中已经提到的那样，GPU由于具有并行处理能力，因此在机器学习中通常受到重视。随着机器学习的发展，硬件世界也从单个强大的CPU内核的概念发展为具有并行处理的多个单元，这些单元可以更充分地快速处理大量的计算工作。
随着深度学习系统采用更深层次的生成模型（例如深度信念网络，玻尔兹曼机器和回声状态系统），特别需要并行处理和专门的核心设计。您可能会说，在某些其他类型的处理中，GPU的使用与Advanced RISC Machines的使用有些相似-将芯片定制为特定用途非常有意义。
除了用于深度学习的GPU实用程序外，您还可以看到这些相同类型的处理器在朝着称为量子计算的计算结构的根本变化迈进时变得很流行。
同样，需要并行处理能力的是计算能力的复杂性和更高级别的排序。在量子计算中，传统的位被替换为qubit，其值可以为1、0或未指定的组合。这种“ Schroedinger的作用”构成了一种计算模型的基础，该计算模型可以使IT世界处于颠覆状态。
对于那些对新兴技术感兴趣的人来说，至关重要的是观察GPU及其后续产品在深度学习网络和量子计算设置等系统中的使用。许多专家会说，这两种产品都处于起步阶段，并且会在未来几年内成熟并带来成果。
