Merhaba, tezimde deeplearning ile görüntü segmentasyonu sınıfladırması üzerine çalışıyorum şuan ki bilgisayarım kaldırmıyor günlerce sürüyor sonuç almam. Hangi bilgisayarları önerirsiniz acaba?
Kullanilan kutuphaneye gore, uyumlu bir ekran karti ve onu kullanabilecek bir kutuphane versiyonu isi gorecektir. Hangi kutuphaneyi kullaniyorsun?
1 Beğeni
Tensorflow kullanıyorum
Suraya bakmak isteyebilirsin: GPU support | TensorFlow
Merhaba Işılay Hanım,
İstediğim verileri verirseniz size uygun bir şeyler önerebilirim.
Veriler
- Şu anki sisteminiz (İşlemci, Ekran kartı, RAM vs.)
- İşlem sırasında hangi parçaya daha çok yük biniyor?
- Bütçeniz
Merhabalar şuanki işlemcim intel i5 2.5 GHz 4 gb Ram Ekran kartı Radeon 4 Gb
İşlemcinin yetmediğini düşünüyorum
Bütçem 15 bine kadar 
uzun yıllar gidecek bişey istiyorum
M1 işlemcili MacBook Pro’lara bakmanızı öneririm. Ömür konusunda Mac’den iyisini görmedim.
1 Beğeni
İşlemcinin hangi nesil olduğunu da bilmemiz gerekiyor. Mesela AMD Ryzen 3 1200 1. nesil iken, AMD Ryzen 3 3200 3. nesil diye geçiyor. Aynı şekilde, i5 - 3450 3. nesilken i5 10100F 10. nesil oluyor. Ekran kartları için de aynı şeyleri söyleyebilirim. AMD Radeon serisinde birçok model var. CPU-Z adlı küçük bir program indirip her menüsünün fotoğrafını atabilirseniz size en iyi bilgisayarı toplayabilirim.
Laptop veya masaüstü olması fark eder mi? Masaüstü olacaksa monitör, klavye, mause buna dahil mi?
En kısa sürede almazsanız paranız çöp olacak bu arada, ekonominin durumu belli.
Apple 30 dolarlık şeyi 300 dolara satar ama malzeme kalitesi ömür konusunda öne çıkarıyor. Ama hocam bunlar yazılımsal olarak planlı eskitmeye muhtaçlar, kulllandığınız Apple ürünleri varsa özelden bu konu hakkında yazabilir misiniz?
Düzenleme : 16 çekirdekli neural engine, 8 çekirdekli GPU ve CPU manyak bir şey. Neural engine tarafını araştırıp muhtemelen model olarak MacBook önereceğim.
Merhaba. aib güzel bir konuya değinmiş. Desteklenen GPU ya dikkat etmek gerekir nVidia kartlarda cuda destekli olanlar gayet uygun olur.
Ne kadar performans o kadar iyi. Aslında görüntü işlemek için ekran kartı mı önemli yoksa işlemci mi derseniz şahsi kanaatim, işlemci. Bu durumda bütçenizin yettiği en iyi işlemciyi alın derim. Aynı şekilde HDD yerine SDD kullanmak her zaman yüklü datalarla çalışırken ciddi performans artışı sağlıyor.
Google da nacizane bir arama yaptım.
Burada kriterleri çok daraltmadım. Fiyata göre siz daha da daralta bilirsiniz. Peki bunu ben de yapardım tavsiyeniz nerede diyebilirsiniz doğal olarak.
Bir dönem bir çok dizüstü kullandım. Üretim kalitesine güvendiğim, MSI, ASUS ve Lenovo oldu. Tabi bazı serilerinde problemler de görmedim değil. Diğer taraftan HP kart üreticisini değiştirmediyse bir dönem çalışmayan grafik işlemcileriyle boğuştuğu çok oldu, diğer markalar ise bir birinden facia hatalar içeriyor.
Buradan kendiniz karar veriseniz daha iyi olur. Tabi ki seçeneklere MAC de girer ama bütçe sözkonusu olunca pek istemeyebilirsiniz.
Yani oyuncu laptop aramasını, oyuncu masa üstü şeklinde yapıp benzer üreticiler üzerinden paranızın yettiği beğendiğiniz birini alın. Aslına bakarsanız işlemci gücü, ram ve SDD güçlü ise ihtiyaçlarınızı karşılayacağını, grafik işlemcinin ikinci planda kalacağını düşünüyorum. Buna rağmen grafik işlemcisi iyi bir cihaz tercih edilebilsin diye, oyuncu bilgisayarı aratması ve cuda destekli bir nVidia kart tavsiyemdir.
Tabi burada kişisel tercihler de devreye girebilir. Hafif olması, rengi vs ye kadar zevk meselesidir. Bu nedenle keskin bir tavsiyede nokta atış marka veremediğim için şimdiden özür dilerim.
Diğer yandan asıl bu kadar mesajı yazmamın sebebi. Evet görüntü işleme, segmentasyon ciddi veri işlenmesini gerektiriyor olabilir ama günler sürecek kadar zorluyor ise buna mutlaka alternatif çözümler de aranmalıdır. Sonuçta evet bir tasarım var ama sonuçta oluşacak yazılımın makul bir cihaz da da çalışabilir olmasını tercih eder çoğu kullanıcı.
Bu nedenle sn, aib’in sorusu kıymetli. Kullandığınız kütüphanenin özelliklerini bilmek gerekir.
Distributed training with TensorFlow | TensorFlow Core
Dağıtık programlama ile iş gücünü bilgisayarlara bölebilirsiniz veya paralel programlama teknikleri ile işlemcinizi daha performanslı olarak yükleyebilirsiniz.
Özellikle paralel programlamada görüntü işleme makalelerine göz atma fırsatım oldu, neredeyse yüzde elliye yakın işlemci zamanında azalma sağlayabilmekte.
Ana fikir bilgisayar tavsiyesi tabi ki bu nedenle Bir MSI, Lenovo yada Asus Sahibi olmanızı dilerim.
Ama kendi gönlümden geçen cihazı da buraya bırakayım off the record:
Burada size uyar diyemem ama tasarımsal olarak hoşuma giden bir yapısı olduğundan tercih edebilirim. Ama ihtiyaçlarınıza uygunluğu tartışılır.
Tabi size imkan olsa paranız varsa i9 işlemcili dahi tavsiye edilebilir.
Ama diğer taraftan mutlaka mevcut bilgisayarınızda paralel programlama ve dağıtık programlama hususlarını da değerlendirerek çalışmanızın zaman kazandıracağını düşündüğümü belirtmek isterim.
Kolay gelsin.
1 Beğeni
19.000 liraya MX ekran kartlı sistem mi alınacak cidden? Biraz manyaklık var gibi. RTX ekran kartlı daha güzel sistemler toplanabilir.
Benim sistemdeki işlemci önde : UserBenchmark: Intel Core i7-1165G7 vs i7-11700K
Düzenleme : Laptop arayışı içindeyseniz 3K ekrana ve HUAWEİ kalitesine sahip olabiliyorsunuz. Sistemin APU olduğunu belirteyim.
Merhaba.
Deep learning işlemleri için GPU’lar ağırlıklı olarak kullanılıyor. İşlemcinin ise pek bir etkisi yok. Bu işlemciyi kullanmaya devam etseniz bile bir problem çıkacağını sanmıyorum.
Modelinizin kullanacağı veriler hafızada saklanacağı için RAM önemli. Aynı şey VRAM için de geçerli. Alacağınız ekran kartının belleğinin en az 8 GB, alacağınız RAM’in de en az 16 GB olmasını tavsiye ederim. Bütçenizin büyük bir kısmını ekran kartına ayırmanız gerekebilir. Ayrıca tensorflow kullandığınızı söylemişsiniz, ekran kartını tensorflow ile etkili bir şekilde kullanabilmek için Cuda destekleyen bir NVidia GPU’ya ihtiyacınız var. @aib’in attığı linkte bu gereklilikler daha ayrıntılı bir şekilde listelenmiş.
Bu çok yanlış bir öneri, deep learning modellerini makul bir zaman içerisinde eğitebilmek için GPU gibi büyük miktarda paralel işlem yapabilen donanımlar şart. Derin öğrenme modellerinin eğitiminin çok büyük bir kısmı GPU’da yapılır zaten, işlemci yükü azdır.
5 Beğeni
herkese tavsiyeleri için gerçekten çok teşekkür ederim çok aydınlattınız sağolun
Sayın xyz, tabi ki size garip gelebilir. Dikkat edin kendi beğendiğim bir modeli paylaştım. Burada tasarımsal nedenlerle bu bilgisayarı kendim için düşündüğümü belirttim.
RTX yerine neden MX çünkü dizüstü için enerji tüketimi az bir model. Yani kimileri güç, kimileri de dayanıklı batarya tercih edebilir. İhtiyaç önemli, yazılım tasarlarken genellikle elimdeki en az kapasiteli makineyi tercih ederim. Bunda çalışırsa her yerde çalışır mantığı ile. Bu modelde touch screen yerine ikinci bir dokunmatik ekran olması benim hoşuma giden bir durum. Tasarımsal farklılık ilgimi çekti. Yoksa mükemmel tercihim budur demiyorum.
Sayın Ekrem Dinçel, bakış açınıza saygı duyarım. Burada dikkat edin şahsi kanaatim olduğunu belirtiyorum ve en başında grafik kartı iyi olan bir oyuncu bilgisayarı gibi aramanın doğru olduğunu da belirttim.
Nedeni benim şahsi kanaatim derken, sanırım biraz daha konuyu açarsam daha net anlaşılacak. Bir sistemin hızını en yavaş parçası belirler. Yani ne kadar iyi bir grafik kartınız olursa olsun, sonuçta ssd, ram ve işlemciden herhangi biri bu hızlara eşilik edemezse o durumda hızı o noktada darboğaza girecektir.
Evet bir çok yazılım ve kütüphane iş yükünü grafik işlemciye aktardığını iddia etse de işletim sistemi, kodlama teknikleri ve başka nedenlerlerle bu söylenilen pratikte bazan olmayabiliyor.
Şu söyleyebilirim. Mükemmel bir işlemci vardır yetersiz kalmıştır buna eşlik edebilecek bir grafik işlemci anlamlıdır. Ama işlemci yetersiz bir bilgisayarda mükemmel bir grafik kartı başarılı olamayacaktır.
Bu nedenle eğer güçlü bir grafik kartı düşünmektense işlemcinin güçlü olmasını tercih ederim diyorum. Öncelik işlemci olmalıdır düşüncemin sebebi budur.
Ki metnin geri kalanı zaten dağıtık sistemler yada paralel programlama tekniklerinin denenmesi tavsiyesini içeriyor. Çok uzun öğretme süreçleri dahi olsa mevcut bilgisayar ile zorlanmaması gerektiğini tasarımsal olarak da çalışılması gerektiğini düşündüğümü belirttim.
Tabi grafik kartı şart derseniz o sizin görüşünüz. Ben GPU kullanmadan da gayet rahat bu işlerin tasarlanabileceği düşüncesindeyim.
2 Beğeni
Burada bir işlemin farklı donanımlarda çalıştığında aldığı zaman hakkında konuşuyoruz ve bu zamanı yeterli bir kesinlikle ölçmek zor değil. Konuya çok öznelmiş gibi yaklaşmanızın sebebini anlayamıyorum. Eğer tensorflow kullanarak orta boy bir segmentasyon veya FCNN modelini hem GPU hem de CPU ile çalıştırırsanız neden GPU’nun şart olduğunu anlarsınız. Model GPU kullanırken CPU kullanımını takip ederseniz CPU’nun neden çok önemli olmadığını da görebilirsiniz.
Bu konuda size katılıyorum ancak ekran kartları zaten belli işlemleri verimli bir şekilde paralel çalıştırmak amacı ile tasarlanan donanımlar. Derin öğrenme ile uğraşılırken birden fazla işlemci çekirdeğinin kullanılmasından elde edilecek paralellik GPU’nun sağladığı paralellik ile karşılaştırılamayacak kadar küçük.
3 Beğeni
Sn Ekrem Dicel: İlginç bir yaklaşım. Tensorflow kütüphanesinin çalışma performansları ile ilgili bir test yapmadım.
Tekrar anlatmak istediğimi anlatmaya çalışayım. Bir kaç konu bir arada umarım hepsini ayrı ayrı anlatabilirim.
Öncelikle işlem yükünü görüntü işleme mi yoksa derin öğrenme mi harcayacak o konuda sizinle hem fikir olmamız gerekir.
Zaten bu sorunun cevabı bir çok şeyin de cevabını sağlayacaktır.
Bu bir kenarda dursun soru olarak. Yalnız görüntü işlemekten de ne anladımızı paylaşmamız gerekebilir.
Üzerinde durmak istediğim konu biraz farklı. Kütüphanenin gpu talep etmesi ayrı. İşletim sisteminin iş parçacıklarını, çekirdeklere ve gpu ya paylaştırması bambaşka bir konu olduğundan düşündüğünüz gibi çalışmayabileceğini, yaptığınız ölçümlerde öncelikle çekirdeklere yük dağıtılıp dağıtılmadığını da görmek gerekir.
Burada işletim sistemi her kütüphane talebini yerine getirmeyebildiği gibi, kütüphane doğru getirse bile işletim sisteminin bazan kendi müdahale edebildiğini düşünüyorum.
İşlemci gücüne eş değer bir grafik kartı bile olsa sonuçta darboğaz işlemcide oluşacaktır. GPU ların dosya yazma, ram okuma, SDD de tamponlama yapma yetenekleri oluşmadıysa son zamanlarda ki DMA teknojisiyle bile bir yere kadar sonuçta işlemciye yardımcı olması gereken GPU paralel çalıştırılsa dahi gerçek bir performansın düğüm noktası işlemci olacaktır(Benim görüşüm)
Sanırım şurada tereddüt var, CPU ile GPU paralel olarak iş yükünü paylaşmaları durumu. Ki zaten bunun aksini iddia etmem, birden fazla hesaplayıcının donanımsal paralelliğini performans etkisi yatsınamaz ki zaten ilk mesajımda buna değindim.
Ama bir CPU nun gerçekten verilmli olarak çalıştırıldığı durumlar maalesef kütüphane ve işletim sisteminin maharetine kalıyor. Ve bu konuda tensorflow ne kadar iyi bakmak gerekir. Yani gerçekten GPU kullanmadan CPU performansını tamamının denendiği bir örnek ölçüm gerekmekte ve CPU GPU paralel çalıştırılırken CPU iş yüküne bakmak gerekli.
Bunların ölçülemeyeceği iddiam yok, ama benzer durumlarda CPU nun tam performansta kullanıldığından emin değilim.
Az önce izah etmeye çalıştığım gibi, bunlar biraz da işletim sisteminin inisiyatifinde ve kütüphanelerde buna zorlayacak bazı eklentiler varmı iyi bakmak gerekir.
Toplamda bazan ram ile iletişimin bile gecikme kabul edildiği için dahili cache kullanan yaklaşımları düşünürsek, GPU ve CPU iletişim hızını bile incelenmesi gerektiğini düşünüyorum.
Çekirdeklerin paralel çalıştırılmasıyla, CPU ve GPU paralel çalıştırılmasını aynı olduğunu düşünmüyorum tabiki. Ama GPU bu işin olmazsa olmazıdır diyemiyorum. Bu paralel çalışmanın birden çok yolu olduğunu bulut dahil diğer seçeneklerin değerlendirilmesinin süre yönünden faydalı olduğunu düşünüyorum.
Umarım tereddütlerimi anlatabilmişimdir.
Merhaba,
Bulut teknolojileri artık çok gelişti. Eğiteceğin modeli Google Colab üzerinde eğitebilirsin. Bilgisayar üzerinde tuttuğun eğitim datalarına drive üzerine yükleyerek Google Colab aracılığı ile o datalarına ulaşabilir ve tensorflow aracılığı ile bu datalar üzerinden öğrenim sağlayabilirsin. öğrenim işlemi bittkten sonra oluşan modeli Google Drive’ın üzerinde herhangi bir klasör içerisine kaydedebilirsin. “Google Colab” başlığı altına aratırsan bir çok kaynağa erişebilirsin. Bu iş için ekstra bilgisayar almana gerek yok.
Kolay gelsin
1 Beğeni
Yapsaydin tipik aplikasyonlarin GPU kullandiginda CPU’ya oranla x10-x1000 gibi radikal hizlanmalar gorduklerini bilirdin. “CPU daha onemli” yanlis onermesinde bulunmazdin.
Islemciler, is yukleri ve kod/tasarim ile ilgili soylediklerin dogru olabilir (detayli okumadim acikcasi) ama OP “deep learning” demis, “tensorflow” demis. Bunun cevabi basit: Bottleneck olusturacak kadar kotu olmayan bir CPU, datasetten cok daha kucuk olmayacak kadar RAM ve paranin alabildigi en iyi GPU.
2 Beğeni
Elinizde nasıl bir test metodu olduğunu yada nasıl bir test yaptığınızı paylaşabilirseniz sevinirim.
Aynı şekilde derin öğrenme mi iş yükü oluşturur görüntü işlememi siz de bu konuda fikrinizi söylerseniz test için bir çalışma hazırlar burada ben de sunabilirim.
İntel i9 veya intel Xeon bir işlemci ile 1900 mhz lerde çalışan bir grafik kartını nasıl karşılaştırıyorsunuz merak ettim açıkçası.
Cuda destekli ekran kartları:
Sizi böyle alalım, burada merakınızı giderecek cevabı bulabilirsiniz: