Considérations à prendre en compte lors du choix d’un ordinateur portable pour l’apprentissage automatique.
Getting started · 9 Jun 2022, 13:56

Les technologies d’intelligence artificielle telles que l’apprentissage automatique et l’apprentissage profond impliquent l’utilisation de grandes quantités de données et des algorithmes complexes qui nécessitent des matériels de calcul puissants. Ceci rend la sélection de la meilleure machine pour ce type de tâches difficile, car vous devez tenir en considération de nombreux facteurs tels que la portabilité, la vitesse de traitement et la capacité de traitement graphique, entre autres. L’article suivant vous aidera dans ce processus de décision exténuant.

Composants importants à prendre en compte lors de la sélection d’un ordinateur pour l’apprentissage automatique.

L’Unité de Traitement Graphique (GPU en anglais)

L’un des facteurs les plus importants lors du choix d’une machine pour l’apprentissage profond est l’unité de traitement graphique. Les unités de traitement graphiques sont des puces de microprocesseur principalement conçues pour gérer les graphiques. Ces unités de traitement graphiques sont devenues populaires dans le domaine de l'apprentissage profond principalement en raison de leur capacité à gérer des calculs simultanés plus rapidement que les unités de traitement centrales (CPU en anglais). Essentiellement, les unités de traitement graphiques ont un grand nombre de cœurs et une bande passante mémoire élevée et sont donc adaptées au traitement parallèle multiple de grandes quantités de données. Ceci a été stimulé par les efforts visant à développer des frameworks GPU basés sur l'Intelligence artificielle tels que CuDNN et des API de calcul parallèle comme CUDA de NVIDIA. De tels frameworks et API permettent aux scientifiques de tirer un grand parti du parallélisme GPU pour les tâches d'apprentissage profond.

Les éléments suivants sont à considérer pour une unité de traitement graphique:

● Optez pour ou choisissez une bande passante mémoire plus élevée (vitesse de la RAM vidéo) dans les limites de votre budget.

● Si vous allez traiter de grandes quantités de données, optez pour un nombre plus élevé de cœurs car cela impose la vitesse de traitement des données.

● Si le temps de calcul est un facteur, veuillez considérer la puissance de traitement de l’unité générale de traitement.

● La taille de la RAM vidéo doit également être prise en compte pour un traitement plus rapide.

Une unité de traitement graphique NVIDIA est préférable en raison des frameworks et API disponibles (CUDA et CuDNN) compatibles avec les principaux frameworks d'apprentissage profond tels que TensorFlow et PyTorch. Les dernières générations d'unités de traitement graphiques NVIDIA telles que la GeForce RTX basée sur l'architecture Turing sont compatibles avec l'IA avec des cœurs Tensor, ce qui les rend par conséquent adaptées à l'apprentissage profond.

La Mémoire vive (RAM en anglais)

La mémoire vive est un autre facteur important à considérer lors de l’achat d’un ordinateur portable qui sera utilisé pour l’apprentissage profond. Plus la mémoire vive est grande, plus la quantité de données qu'elle peut gérer est élevée, ce qui accélère le traitement. Avec plus de RAM, vous pouvez utiliser votre machine pour effectuer d'autres tâches pendant que le modèle entraîne. Bien qu'un minimum de 8 Go de RAM peut faire le travail, 16 Go de RAM et plus sont recommandés pour la plupart des tâches d'apprentissage en profondeur.

L’unité centrale de traitement

Concernant l’unité centrale de traitement, un minimum de 7 générations (processeur Intel Core i7) est recommandé. Toutefois, avoir un processeur Intel core i5 avec Turbo Boosts peut faire l’affaire. Si vous choisissez un ordinateur de bureau, il est recommandé de sélectionner la bonne combinaison d'unités centrales de traitement CPU et de carte mère qui correspondent aux spécifications de votre unité de traitement graphique. Dans ce cas, le choix du nombre de voies PCIe (les voies PCIe déterminent la vitesse de transfert des données de la mémoire vive du processeur vers la mémoire vive de l’unité de traitement graphique) doit également être pris en compte (4 à 16 voies PCIe sont les meilleures pour la plupart des tâches d'apprentissage en profondeur).

Le stockage

Le stockage est aussi un facteur important, notamment en raison de la taille croissante des ensembles de données d'apprentissage profond nécessitant une capacité de stockage plus élevée. Par exemple, Imagenet, l'un des ensembles de données les plus populaires pour l'apprentissage profond, a une taille de 150 Go et se compose de plus de 14 millions d'images réparties dans 20 000 catégories. Bien que le SSD soit recommandé pour sa vitesse et son efficacité, vous pouvez obtenir un disque dur à un prix abordable pour faire le travail. Cependant, si vous appréciez la vitesse, le prix et l'efficacité, un hybride des deux est la meilleure option.

Comment certaines personnes font pour sélectionner des ressources de calcul pour l'apprentissage profond

Il existe diverses opinions sur la manière de sélectionner les meilleures ressources de calcul pour les tâches d'apprentissage profond. Voici quelques points de vue d'utilisateurs de Reddit et Quora :

● La plupart des bibliothèques d'apprentissage profond nécessitent un parallélisme basé sur l’unité de traitement graphique (GPU), le multithreading et un certain temps de travail sur plusieurs machines et par conséquent, les ordinateurs portables ne conviennent pas. Les tâches d'apprentissage profond sont mieux gérées par les services cloud tels que Google Cloud, Azure et AWS.

● L'utilisation de l'apprentissage profond sur des données du monde réel implique de passer beaucoup de temps à nettoyer et à préparer les données pour la formation. De plus, l'apprentissage profond implique de nombreux débogages d'exécution, ce qui prend plus de temps et est plus coûteux à effectuer sur les services cloud. Par conséquent, il est conseillé d'utiliser un ordinateur portable pour le prétraitement et le débogage, et de procéder à l'entraînement sur le cloud où les instances d’unité de traitement graphique coûtent désormais aussi peu que 0,7 $/heure sur AWS.

● Si vos ressources sont limitées, vous pouvez développer, prétraiter vos données et entraîner votre modèle sur votre machine locale, que ça soit un ordinateur portable ou un ordinateur de bureau possédant une unité de traitement graphique, même si cela peut prendre relativement plus de temps.

● La technologie GPU évolue rapidement et toute technologie que vous achetez est susceptible d'être obsolète dans les 18 mois ; il est donc préférable d'exécuter tous les calculs sur le cloud.

● Si vous traitez avec des ensembles de données très volumineux, le cloud computing est conseillé, car vous aurez besoin de plusieurs unités de traitement graphique, ce qui n'est pas possible sur les ordinateurs portables.

● L’utilisation des unités de traitement graphique pour l’apprentissage profond sur les ordinateurs portables n’est pas un bon investissement car les tâches qui requièrent l’utilisation d’unité de traitement graphique prennent énormément de temps pour s’exécuter, ce qui peut entraîner une détérioration plus rapide causée par une utilisation intensive et sont également lourdes à transporter. De ce fait, il est conseillé d’investir dans un bon processeur et suffisamment de mémoire vive(RAM) pour exécuter un nombre considérables de cycles.

● Vous pouvez configurer un ordinateur de bureau avec suffisamment de RAM et une bonne unité de traitement graphique dans votre réseau local, et vous connecter via un accès à distance depuis votre ordinateur portable. De cette façon, vous pouvez utiliser votre ordinateur portable pour de petites expériences et d'autres tâches et l’ordinateur de bureau pour entraîner vos modèles.

● Les offres GPU de service cloud actuelles sont coûteuses par rapport à la configuration d'un bureau pour les tâches d'apprentissage profond. De plus, le bureau offre également une grande flexibilité comparé aux options cloud, en particulier lorsqu'il s'agit de débogage. Cependant, il est important de prendre en compte le facteur temps et le coût de l'électricité, car les grands modèles prennent plus de temps à fonctionner, par conséquent entraînent une consommation d'électricité plus élevée.

Quels sont les critères de sélection de la meilleure machine pour le deep learning ?

● Si vous allez travailler sur des tâches d'apprentissage automatique à faible calcul qui peuvent être facilement gérées grâce à un traitement séquentiel complexe, alors vous n'avez pas besoin d'unité de traitement graphique. Pour de telles tâches, un ordinateur portable avec un minimum de 8 Go de RAM, 500 Go HDD et un processeur Intel turbo boost core i5 est suffisant.

● Si vous avez l'intention de travailler sur des tâches d'apprentissage profond nécessitant peu de calculs et sur de grands ensembles de données, il est conseillé d'envisager une unité de traitement graphique. Il y a deux options à cela : (1) vous pouvez acheter un ordinateur portable puissant avec GPU si la portabilité est essentielle ; (2) Si la portabilité n'est pas un problème, vous pouvez configurer un ordinateur de bureau et le connecter à votre ordinateur portable pour un accès à distance. Pour de telles tâches, les anciens et les nouveaux GPU Nvidia tels que Nvidia NVS 310, GT, GTS et RTS avec un minimum de 2 Go de VRAM, 8 à 16 Go de RAM sont recommandés.

● Si vous êtes une entreprise travaillant régulièrement sur des problèmes complexes d’apprentissage profond, il est conseillé de mettre en place un système d’apprentissage profond ou d'investir dans des services cloud comme Azure, AWS et Google Cloud.

● Pour des tâches d'apprentissage profond à grande échelle, un cluster GPU pour le calcul multi-GPU est la meilleure option.

Voici la liste testée par Kenya AI de certains des meilleurs ordinateurs portables pour l'apprentissage automatique.

Concernant l’auteur

Eugene Odumaest un passionné d’intelligence artificielle et membre de AI Kenya. Il est également impliqué dans le marketing digital, la création de contenu, l’apprentissage automatique et la science de données.

Vous pouvez lire l’original du blog post ici.