Procesador Intel® Xeon Phi™
- Jose A. Esteban
- Dec 30, 2016
- 2 min read
Intel® presenta su procesador Xeon Phi™ específicamente diseñado para algoritmos de machine learning o más concretamente para Deep Learning.
Con hasta 72 núcleos no secuenciales, el nuevo procesador Intel® Xeon Phi™ ofrece más de 3 teraFLOPS (operaciones de coma flotante por segundo) de rendimiento máximo de doble precisión al tiempo que proporciona hasta 3,5 veces más rendimiento por vatio que la generación anterior. Como una CPU ejecutable con arquitectura integrada, el procesador Intel® Xeon Phi™ elimina los cuellos de botella de PCIe*, incluye memoria de gran ancho de banda en el encapsulado y ofrece una arquitectura integrada Intel® Omni-Path que proporciona un rendimiento rápido y de baja latencia.
Pero esta información la podemos encontrar en la Web de Intel® ¿Como se posiciona Intel en el Ecosistema del Análisis Avanzado?
Intel® Data Analytics Acceleration Library (Intel® DAAL)
Esta librería permite acelerar drásticamente los programas de análisis de información codificados en Java, Python o C++ para sistemas operativos Windows o Linux que incluya elementos de Big Data como Hadoop, Cloudera o Sprak. Esta especificamente diseñada para utilizar al máximo las capacidades de los procesadores Intel® ya sean los de propósito general Familia de procesadores Intel® Xeon® E5 o la Familia de procesadores Intel® Xeon Phi™.
Intel® Math Kernel Library (Intel® MKL)
La otra pieza de la propuesta de Intel es una librería que permite acelerar el proceso
matemático en las rutinas de redes neuronales, reduciendo también el tiempo de desarrollo. Para ello incluye álgebra lineal altamente vectorizada, Transformaciones rápidas de Fourier (FFT), Funciones de redes neuronales, maquinas vectoriales y estadisticas.
Y como podéis ver en el gráfico siguiente la diferencia se nota.
Así que Intel nos esta ofreciendo una completa solución para optimizar el rendimiento con librerías abiertas totalmente optimizadas para sus procesadores. Si estas utilizando procesadores Intel y estas desarrollando algoritmos de deep learning tiene poco sentido no utilizarlas.
Por nuestra parte hemos incluido la visión de estas librerías en el Master de Data Science Deep Learning de forma que no solo veremos los Frameworks como TensorFlow, Theano o Microsoft CNTK sino que se revisarán los algoritmos propios de deep learning optimizando al máximo su rendimiento.
Para terminar veamos un ejemplo de una empresa Española
Comentários