Почему та же математика может работать в несколько раз быстрее
Почему это важно Этот курс работает на любом ноутбуке без видеокарты. Это возможно, потому что матричное умножение можно выполнить медленно или очень быстро на том же CPU, и курс использует быстрый способ.
Матричное умножение (n, k) на (k, m) стоит примерно 2 × n × k × m операций с плавающей точкой (FLOPs). Библиотеки под названием BLAS выполняют его тщательно настроенным кодом, который держит числа в самой быстрой памяти CPU и использует его векторные инструкции. В Python этого браузера обычный NumPy умножает без такой библиотеки; nnsim.engine.mm курса идёт через BLAS из SciPy, что в собственных тестах курса оказалось в 2-5 раз быстрее в браузере. В обычном Python на ноутбуке NumPy уже использует настроенный BLAS, поэтому mm там не быстрее и может быть медленнее (около 0,4 скорости @ в одном тесте): ускорение - факт об этом браузере, а не о математике.
Разделите FLOPs на секунды, и получите скорость в FLOPs в секунду. Это одно число вместе с FLOP Ledger позволяет предсказать, сколько займёт любой запуск обучения, ещё до его начала.
BLAS: Basic Linear Algebra Subprograms, стандартные быстрые процедуры для векторной и матричной математики.
Слова и символы этого урока
- BLAS, GFLOP/s
- быстрые стандартные математические процедуры; миллиарды операций в секунду
Напишите flops(n, k, m) и gflops_per_s(n, k, m, seconds). Затем запустите замер и присвойте my_speedup, во сколько раз mm был быстрее @ здесь (любое честно измеренное значение; оно зависит от машины).
Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке
Это упражнение откроется скоро
Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.