Металловедение в Юлии
Металловедение в жизни Юлии
![Little Heavy | Изображение автора](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*02fXXn4nzKdJhpgCOF5HCQ.jpeg)
Использование возможностей графических процессоров macOS с помощью фреймворка Metal.jl.
Введение
Вот недавно мы были познакомлены с фреймворком Metal.jl, который является графическим бэкэндом для аппаратной части Apple. Это интересные новости для разработчиков на языке Julia, которым хочется использовать полный потенциал своих микросхем M-серии в macOS. В частности, ученые-данные и инженеры машинного обучения могут ускорить вычислительные процессы, используя параллельные возможности графических процессоров, что приведет к более быстрому обучению и выводу результатов. Интеграция Metal.jl в экосистему Julia является важным шагом в сторону соответствия возможностей языка с постоянно развивающимся ландшафтом научных вычислений и машинного обучения на платформах Apple.
В 2020 году Apple начала переход своей линейки Mac от процессоров на базе Intel к процессорам Apple Silicon, начиная с чипа M1. Хотя это было историческим и впечатляющим достижением от Apple, оно сопровождалось определенными критикой и проблемами. С тех пор, как я взял в использование свой компьютер Mac Studio с 32-ядерным чипом M1, я пытаюсь полностью использовать графический процессор и экспериментировать с новыми приложениями. Я должен сказать, что это было не всегда легко и весело. От проблем совместимости с архитектурой ARM до неподдерживаемых библиотек машинного обучения – иногда было сложно создать работающую среду. Это ожидаемо для любого большого перехода и изменения способа работы. Я сохраняю надежду и вижу значительные улучшения в стабильности и функциональности в целом.
В этой статье мы познакомимся с фреймворком Metal.jl, чтобы понять его возможности. Мы также продемонстрируем практический пример, используя Flux, библиотеку для машинного обучения на языке Julia, с использованием Metal-бэкэнда.
Вот краткий обзор тем, которые мы рассмотрим:
- Количественное измерение паттернов транспорта с использованием данных GTFS
- Бывший генеральный директор Google предупреждает, что текущие ограничения искусственного интеллекта недостаточны.
- Новый прорыв от Google DeepMind раскрывает новые материалы
I. Настройка проекта i. Настройка среды Julia ii. Обзор зависимостей
II. Использование Metal API i. Ядерные функции ii. Бенчмаркинг iii. Профилирование
III. Работа с Flux и Metal-бэкэндом i. Обзор набора данных ii. Простая нейронная сеть iii. Оценка модели