Kenapa matematika yang sama bisa berjalan beberapa kali lebih cepat
Kenapa ini penting Kursus ini berjalan di laptop apa pun tanpa kartu grafis. Itu bisa karena perkalian matriks bisa dilakukan dengan lambat atau sangat cepat di CPU yang sama, dan kursus ini menggunakan cara yang cepat.
A perkalian matriks (n, k) dengan (k, m) memakan biaya sekitar 2 kali n kali k kali m operasi titik mengambang (FLOPs). Library bernama BLAS melakukannya dengan kode yang diatur dengan cermat agar angka tetap di memori tercepat CPU dan menggunakan instruksi vektornya. Di Python browser ini, NumPy biasa melakukan perkalian tanpa library tersebut; nnsim.engine.mm kursus ini menggunakan BLAS dari SciPy sebagai gantinya, yang terukur 2 sampai 5 kali lebih cepat di browser dalam pengujian kursus sendiri. Di Python biasa pada laptop, NumPy sudah menggunakan BLAS yang diatur, jadi mm tidak lebih cepat di sana dan bisa lebih lambat (sekitar 0.4 kali kecepatan @ dalam satu pengujian): peningkatan kecepatan adalah fakta tentang browser ini, bukan tentang matematikanya.
Bagi FLOPs dengan detik untuk mendapatkan kecepatan dalam FLOPs per detik. Satu angka itu, bersama dengan FLOP Ledger, membuatmu bisa memprediksi berapa lama waktu yang dibutuhkan untuk setiap proses training sebelum kamu memulainya.
BLAS: Basic Linear Algebra Subprograms, rutinitas cepat standar untuk matematika vektor dan matriks.
Kata dan simbol di pelajaran ini
- BLAS, GFLOP/s
- rutin matematika standar yang cepat; miliaran operasi per detik
Tulis flops(n, k, m) dan gflops_per_s(n, k, m, seconds). Lalu jalankan timing dan atur my_speedup ke berapa kali lebih cepat mm dibandingkan @ di sini (nilai pengukuran jujur apa saja; ini tergantung pada mesin).
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.