استخدام وحدات معالجة الرسوميات لتوسيع وتسريع التعلم العميق

ملاحظة مهمة: يمكن للمتعلمين الذين يُكملون هذه الدورة من IBM بنجاح الحصول على شارة مهارية (Skill Badge) — وهي اعتماد رقمي تفصيلي وقابل للتحقق يوضح المعارف والمهارات التي اكتسبتها خلال الدورة. سجّل لتعرف المزيد، وأكمل الدورة ثم اطلب شارتك. قد يستغرق تدريب نموذج تعلم عميق معقّد على مجموعة بيانات كبيرة جدًا ساعات أو أيامًا، وأحيانًا أسابيع. فما الحل؟ الاعتماد على العتاد المُسرَّع. في هذه الدورة ستتعرف على كيفية استخدام عتاد مُسرَّع مثل وحدة معالجة الرسوميات من Nvidia (GPU) أو وحدة معالجة الموترات من Google (TPU) لتسريع زمن تنفيذ حسابات الشبكات العصبية الالتفافية (CNN) على السحابة. صُممت هذه الشرائح خصيصًا لدعم تدريب الشبكات العصبية بكفاءة عالية، وكذلك تشغيل النماذج بعد تدريبها (الاستدلال Inference). ستتعلم لماذا تُعد وحدات GPU مناسبة للأحمال الحسابية الكثيفة في التعلم العميق، وكيف يمكنها تقليل زمن التدريب وتحسين قابلية التوسع عند التعامل مع بيانات ضخمة. كما ستطبّق عمليًا تنفيذ شبكات التعلم العميق على GPU، وتتعلم خطوات تدريب النماذج ونشرها لمهام تصنيف الصور والفيديو، إضافةً إلى التعرف على الكائنات. بنهاية الدورة ستكون قادرًا على اختيار العتاد المناسب وفهم مزايا GPU مقارنةً بوحدات المعالجة المركزية (CPU) عند بناء حلول تعلم عميق قابلة للتوسع على بيئات السحابة العامة.

• شرح ما هي وحدة معالجة الرسوميات (GPU)، وكيف تُسرّع العمليات الحسابية، وما مزاياها مقارنةً بوحدات المعالجة المركزية (CPU).
• تنفيذ شبكات التعلم العميق على وحدات GPU.
• تدريب ونشر شبكات التعلم العميق لتصنيف الصور والفيديو وكذلك للتعرّف على الكائنات.