पाठ्यक्रम 246 में से पाठ 117 · Module 10: देखने वाले networks (CNNs)
Module 10: देखने वाले networks (CNNs)

वही गणित कई गुना तेज़ क्यों चल सकता है

यह क्यों मायने रखता है यह कोर्स बिना graphics card के किसी भी laptop पर चलता है। वह इसलिए काम करता है क्योंकि एक matrix गुणा उसी CPU पर धीरे या बहुत तेज़ किया जा सकता है, और कोर्स तेज़ तरीका इस्तेमाल करता है।

एक (n, k) गुणा एक (k, m) matrix के गुणा की लागत लगभग 2 गुणा n गुणा k गुणा m floating-point operations (FLOPs) है। BLAS कहलाने वाली libraries इसे सावधानी से tune किए code में करती हैं जो संख्याओं को CPU की सबसे तेज़ memory में रखता है और उसके vector instructions इस्तेमाल करता है। इस browser के Python में, सादा NumPy ऐसी library के बिना गुणा करता है; कोर्स का nnsim.engine.mm इसके बजाय SciPy के BLAS से गुज़रता है, जो कोर्स के अपने tests में browser में 2 से 5 गुना तेज़ मापा गया। एक laptop के साधारण Python पर, NumPy पहले से एक tune किया BLAS इस्तेमाल करता है, इसलिए वहाँ mm तेज़ नहीं और धीमा हो सकता है (एक test में @ की गति का लगभग 0.4 गुना): तेज़ी इस browser के बारे में एक तथ्य है, गणित के बारे में नहीं।

गति FLOPs प्रति second में पाने के लिए FLOPs को seconds से भाग दें। वह एक संख्या, FLOP Ledger के साथ, आपको शुरू करने से पहले अनुमान लगाने देती है कि कोई भी training run कितना समय लेगा।

BLAS: Basic Linear Algebra Subprograms, vector और matrix गणित के मानक तेज़ routines।

इस पाठ के शब्द और चिह्न
BLAS, GFLOP/s
तेज़ मानक गणित routines; अरबों operations प्रति second
आपकी बारी

flops(n, k, m) और gflops_per_s(n, k, m, seconds) लिखें। फिर timing चलाएँ और my_speedup को इस पर सेट करें कि यहाँ mm @ से कितने गुना तेज़ था (कोई भी ईमानदार मापा मान; यह machine पर निर्भर है)।

इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें

यह अभ्यास जल्द खुलेगा

इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।