Puede obtener mucha información sobre esto visitando Computación con GPU en R. En resumen, instala el paquete RPUD, como se describe en GPU Computing with R, y luego sigue las “recetas” y otros detalles y sugerencias en los dos enlaces. páginas Hay suficiente para que comiences, e incluso suficiente para que conozcas los detalles. Siga las referencias de enlaces allí para una discusión adicional. No es exactamente trivial, pero tampoco es “ciencia espacial” … 🙂
Revelación completa: no lo he hecho yo mismo con R, ya que no soy un “R guru”, pero he hecho este tipo de cosas con Python y C ++ usando la interfaz CUDA presente en las tarjetas gráficas NVIDIA modernas. Otros fabricantes de tarjetas tienen interfaces de computación vectoriales / matriciales similares, pero menos desarrolladas o fáciles / convenientes de usar.
Sugerencias / Sugerencias:
- ¿Cuál es el mejor software para implementar algoritmos de aprendizaje automático / minería de datos a gran escala?
- En términos de rendimiento de clasificación en conjuntos de datos grandes y dispersos, ¿cómo se compara el aprendizaje profundo con la regresión logística en la práctica?
- ¿Qué has aprendido haciendo investigación?
- ¿Cuál es el mejor enfoque e implementación para la detección y reconocimiento de objetos en la actualidad?
- ¿Qué significa decir: "En la geometría de la información, el paso E y el paso M se interpretan como proyecciones bajo dos conexiones afines"?
- Intente obtener la mejor GPU compatible con CUDA que pueda pagar, tanto en velocidad, cantidad de núcleos y memoria.
- El soporte para su tarjeta puede variar entre sistemas operativos y versiones. Windows y Linux son compatibles con CUDA, pero siempre verifique con las personas que han usado esa GPU en particular para la aceleración ANN.
- Hay muchos artículos, sitios web y páginas wiki sobre las experiencias de CUDA y ANN. Lee esos. Para comenzar, aquí hay un par de URL de búsqueda para usted: Google 1 y Google 2.
Disfruta la experiencia. Su experiencia puede ser diferente. 🙂
