CPU ve GPU ve MPS: Bir Aygıt Seçin
CUDA veya Apple MPS'yi algılayın; yoksa CPU'ya geçin.
CPU ve GPU ve MPS: Bir Aygıt Seçin, CoddyKit'te ücretsiz bir Deep Learning Academy dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Deep Learning Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Deep Learning Academy kursu toplamda 4 dersten oluşur.
Matematiğin Gerçekleştiği Yer
Her tensör bir aygıt üzerinde bulunur: CPU, GPU veya Apple'ın MPS'si. Aygıt, modelinizin ne kadar hızlı eğitileceğini belirler. ⚡
CPU Her Zaman Çalışır
CPU, güvenli varsayılandır. Her PyTorch işlemini çalıştırır; yalnızca büyük ağların gerektirdiği ağır matris hesaplamalarında daha yavaştır.
GPU Hızlıdır
Bir GPU, binlerce çarpma işlemini paralel olarak gerçekleştirerek derin öğrenmede çok daha hızlı çalışır. PyTorch, NVIDIA GPU'larına CUDA üzerinden erişir.
Apple Silicon'da MPS Bulunur
Apple Silicon kullanan bir Mac'te MPS, yerleşik GPU'dan yararlanır. NVIDIA donanımı olmadan M serisi yongalar için hızlı yoldur.
CUDA'yı Algılayın
Bir NVIDIA GPU kullanmadan önce PyTorch'a kullanılabilir olup olmadığını sorun. cuda.is_available, varsayımda bulunmamanız için True veya False döndürür.
torch.cuda.is_available()MPS'yi Algılayın
Mac'te Apple arka ucunu da aynı şekilde denetleyin. mps.is_available, M serisi GPU'nun kullanıma hazır olup olmadığını bildirir.
torch.backends.mps.is_available()En İyi Aygıtı Seçin
Temiz bir yaklaşım önce CUDA'yı, ardından MPS'yi dener ve son çare olarak CPU'ya geçer. Bu device dizesi, kodunuzun çalıştığı makine ne olursa olsun kendini uyarlar.
device = 'cuda' if torch.cuda.is_available() else 'cpu'Bir Tensor'ı Taşıma
Verileri .to(device) ile seçilen cihaza gönderin. Tensor'ın sayıları değişmez, ancak matematik işlemleri artık orada yürütülür.
x = torch.tensor([1.0, 2.0]).to(device)Her Şeyi Aynı Yerde Tutma
Modeliniz ve verileriniz aynı cihazı paylaşmalıdır. CPU ve GPU tensor'larını karıştırmak, ileri geçiş sırasında bir device mismatch hatasına yol açar.
Bir Tensor'ın Nerede Olduğunu Denetleme
Verilerin nerede olduğundan emin değil misiniz? .device özniteliğini okuyun. Bu öznitelik cpu, cuda veya mps yazdırır; böylece yerleşimi bir bakışta doğrulayabilirsiniz.
print(x.device)Hangisini Ne Zaman Kullanmalı
Gerçek eğitim için GPU'yu, hızlı testler veya küçük veriler için CPU'yu kullanın. En hızlı cihaz, donanımınızda gerçekten bulunan cihazdır.
Hızlı Denetim
Apple Silicon kullanan bir Mac için doğru çağrıyı seçin.
Özet
CUDA, MPS veya CPU'yu algılamayı, en uygun olanı seçmeyi ve tensor'ları oraya taşımayı öğrendiniz. Aynı kod, kullanılabilir en hızlı donanım. 🚀
Yapay zeka eğitmeniyle Python öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 30
- Dersler
- 120
Sıkça Sorulan Sorular
“CPU ve GPU ve MPS: Bir Aygıt Seçin” dersi ücretsiz mi?
Evet — “CPU ve GPU ve MPS: Bir Aygıt Seçin” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Deep Learning Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Deep Learning Academy kursu toplamda 4 dersten oluşur.
“CPU ve GPU ve MPS: Bir Aygıt Seçin” dersinde ne öğreneceğim?
CUDA veya Apple MPS'yi algılayın; yoksa CPU'ya geçin. Deep Learning Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Deep Learning Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Deep Learning Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.
“CPU ve GPU ve MPS: Bir Aygıt Seçin” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Deep Learning Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Deep Learning Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- PyTorch Kurun ve İçeri Aktarmayı Doğrulayın
- CPU ve GPU ve MPS: Bir Aygıt Seçin
- Not Defterleri, Betikler ve Tekrarlanabilir Tohumlar
- İlk torch.tensor'ınız