ML Atlas

Blog · Na start ·

Jaki laptop do nauki ML? Na start wystarczy przeglądarka

W skrócie

Do kursu wystarczy przeglądarka, do Pythona i scikit-learn zwykły laptop. Liczy się pamięć RAM, nie karta graficzna, a GPU do sieci neuronowych jest w chmurze.

Krótka odpowiedź

Nie kupuj nowego komputera, żeby zacząć. Wystarczy to, co masz:

  1. Pojęcia: wystarczy przeglądarka. Nasz kurs ML od zera liczy każdy eksperyment na Twoim urządzeniu, także na telefonie.
  2. Pierwsze projekty w Pythonie: zwykły laptop albo darmowy notatnik w chmurze. Ważniejsza jest pamięć RAM niż karta graficzna.
  3. Sieci neuronowe: tu przydaje się karta graficzna (GPU), ale na naukę i tak dostaniesz ją za darmo w chmurze, z limitami.

Sprawdź to od razu: lekcja Cały proces w 15 minut działa w karcie przeglądarki, bez instalacji.

Etap 1. Pojęcia: przeglądarka

Dane do nauki są małe. Zbiór pingwinów z pierwszej lekcji to 344 wiersze i 7 kolumn. Największy zbiór naszego kursu to cyfry pisane ręcznie: 1797 obrazków po 64 piksele, czyli 115 008 liczb. Zapisane jako liczby 8-bajtowe zajmują około 0,9 MB.

Takie dane każdy komputer i telefon policzy w ułamku sekundy. Na tym etapie sprzęt nie ma znaczenia.

Etap 2. Python, pandas i scikit-learn: liczy się RAM

Gdy zaczynasz pisać kod, dane wczytujesz do pamięci RAM. Prosty rachunek dla dużej, jak na początek, tabeli: milion wierszy i 20 kolumn liczb to 20 milionów liczb po 8 bajtów, czyli 160 MB.

Dokumentacja pandas uprzedza, że biblioteka trzyma dane w pamięci, a niektóre operacje robią kopie pośrednie, więc nawet zbiór zajmujący sporą część pamięci staje się kłopotliwy. Twórca pandas, Wes McKinney, podał w 2017 roku regułę kciuka: RAM-u powinno być 5–10 razy więcej niż danych. Dla naszej tabeli to od 0,8 do 1,6 GB. To stara reguła i biblioteka od tego czasu się zmieniła, ale dobrze pokazuje kierunek: najpierw kończy się pamięć, a nie moc procesora.

Co z tego wynika w praktyce:

  • Sprawdź, ile masz RAM (Windows: Ustawienia → System → Informacje; Mac: menu Apple → Ten Mac) i porównaj z rachunkiem wyżej.
  • System nie ma znaczenia. scikit-learn ma instrukcję instalacji dla Windows, macOS i Linuksa.
  • Nie chcesz nic instalować? Użyj darmowego notatnika w chmurze (opis niżej).

Dwa darmowe notatniki w chmurze:

  • Kaggle Notebooks: według dokumentacji Kaggle sesja dostaje 4 rdzenie procesora, 30 GB RAM i do 12 godzin pracy, a wyniki zapisują się na dysku do 20 GB. Dokumentacja zaznacza, że to stan „w chwili pisania”.
  • Google Colab: sesja trwa najwyżej 12 godzin. Google pisze wprost, że zasoby nie są gwarantowane, limity się zmieniają i nie są publikowane.

W obu przypadkach konto zakładasz sam. Oba działają w przeglądarce, więc wystarczy też starszy laptop albo Chromebook.

Etap 3. Sieci neuronowe: GPU w chmurze

Karta graficzna przyspiesza mnożenie dużych macierzy, a z tego składa się trening sieci neuronowych. Do drzew decyzyjnych czy regresji nie jest potrzebna.

Gdy do niej dojdziesz, zacznij od chmury:

  • Kaggle pozwala dodać do notatnika jedną kartę NVIDIA Tesla P100 za darmo. Dostępność jest ograniczona: w godzinach szczytu trafiasz do kolejki.
  • W darmowym Colabie dostęp do GPU jest według Google „mocno ograniczony”, a rodzaj karty zmienia się w czasie.
  • Twórcy darmowego kursu fast.ai odradzają trening na własnym komputerze, jeśli nie masz wprawy w Linuksie i sterownikach kart graficznych. Sami prowadzą kurs w notatnikach w chmurze.

Jeśli i tak kupujesz komputer

  • Więcej RAM ważniejsze niż mocna karta graficzna. Na etapie klasycznych modeli to pamięć ogranicza, co wczytasz.
  • Nie dopłacaj do karty „do AI” na start. Do nauki sieci neuronowych i tak wygodniej użyć chmury.
  • Windows, Mac czy Linux: każdy się nada. Wybierz system, który już znasz, żeby walczyć z ML, a nie z komputerem.

Co dalej

Źródła

Tagi: sprzet laptop gpu python na-start

W Atlasie