لپ‌تاپ استوک و کارکرده برای هوش مصنوعی و یادگیری ماشین

برای یادگرفتن پایتون، تحلیل داده و الگوریتم‌های کلاسیک یادگیری ماشین با کتابخانه‌هایی مثل scikit-learn، هر لپ‌تاپ مناسب برنامه‌نویسی کافی است و آموزش مدل‌های بزرگ‌تر را می‌توان به سرویس‌های ابری مثل گوگل کولب سپرد. این صفحه برای کسانی است که می‌خواهند شبکه‌های عصبی را روی دستگاه خودشان آموزش دهند یا مدل‌های زبانی و تولید تصویر را به‌صورت محلی اجرا کنند.

در این کار کارت گرافیک انویدیا تقریباً شرط است، چون پای‌تورچ و تنسورفلو در ویندوز و لینوکس با CUDA کار می‌کنند و پشتیبانی جایگزین‌ها روی کارت‌های لپ‌تاپی محدود است. مهم‌ترین عدد، حافظه‌ی گرافیکی است: یک مدل زبانی ۷ میلیارد پارامتری در حالت فشرده‌ی ۴ بیتی حدود ۴ تا ۵ گیگابایت حافظه‌ی گرافیکی می‌گیرد. ۶ گیگابایت را حداقل عملی بدانید، ۸ گیگابایت را انتخاب متعادل، و ۱۶ گیگابایتِ کارت‌هایی مثل Quadro RTX 5000 در ورک‌استیشن‌های رده‌بالا را بهترین گزینه‌ی این بازار.

نسل کارت هم مهم است. کارت‌های سری RTX (از RTX 20 و Quadro RTX به بعد) هسته‌های تنسور دارند که آموزش با دقت مختلط را چند برابر سریع‌تر می‌کند؛ کارت‌های GTX سری ۱۰ و Quadro سری P این هسته‌ها را ندارند. علاوه بر این، انویدیا اعلام کرده است پشتیبانی از معماری‌های قدیمی Maxwell و Pascal در نسخه‌ی اصلی بعدی CUDA حذف می‌شود و بعضی بیلدهای جدید پای‌تورچ هم دیگر این کارت‌ها را پشتیبانی نمی‌کنند. پس کارت‌های پیش از RTX برای خرید جدید در این حوزه انتخاب درازمدتی نیستند.

کنار کارت گرافیک، ۳۲ گیگابایت رم برای بارگذاری داده‌ها و SSD یک‌ترابایتی برای مجموعه‌داده‌ها و وزن مدل‌ها پیشنهاد می‌شود. ورک‌استیشن‌های تجاری با لینوکس سازگاری خوبی دارند که برای این حوزه امتیاز است. مک‌بوک‌های تراشه‌ی اپل حافظه‌ی یکپارچه دارند و برای اجرای مدل‌ها با ابزارهایی مثل MLX مناسب‌اند، اما بیشتر آموزش‌ها و کدهای منتشرشده بر پایه‌ی CUDA نوشته شده‌اند.

آموزش مدل یعنی ساعت‌ها کار کارت گرافیک با تمام توان. پیش از خرید، یک تست بار طولانی روی گرافیک اجرا کنید و ببینید فرکانس و دما پایدار می‌ماند یا نه.