Цель BKP: Изучите специализированныe ускорители вычислений решения задач машинного обучения при обработке графических и табличных (текстовых) данных. Методы исследования: Модель перевода изображений для китайских иероглифов на основе нейронной сети, ускорительная карта и gpu установлена в компьютер, тестирование производительности. Основные результаты работы: Настройка компьютера-ускорителя Cambricon AI с помощью PyTorch и Tensorflow в Docker; Аппаратная поддержка задач машинного обучения для реализации перевода изображений китайских иероглифов; Оценка вычислительной мощности и оптимизации нейронной сети ускорителя Cambricon AI по стандарту вычислительной мощности NVIDIA GPU на основе одинаковых входных данных и обработки, структуры модели и метода обучения. Область применения результатов ВКР: Анализ производительности аппаратных ресурсов машинного обучения суперкомпьютеров и доменов аппаратного ускорения машинного обучения. Выводы: Специализированные вычислительные ускорители с оптимизированной аппаратной архитектурой и со специализированными инструментами и библиотеками для программирования. Они позволяют оптимизировать и упростить программирование машинного обучения и повысить эффективность обработки данных.

The aim of BKP: Study specialized computational gas pedals for solving problems of machine learning in the processing of graphical and tabular (textual) data. Research Methods: Image translation model for Chinese characters based on neural network, gas pedal card and gpu installed in computer, performance testing. Main results of work: Setting up the Cambricon AI gas pedal computer with PyTorch and Tensorflow in Docker; Hardware support for machine learning tasks to implement image translation of Chinese characters; Evaluation of computing power and optimization of the Cambricon AI gas pedal neural network by NVIDIA GPU computing power standard based on the same input data and processing, model structure and training method. Scope of the results of WCS: Performance analysis of supercomputer machine learning hardware resources and machine learning hardware acceleration domains. Conclusions: Specialized computing gas pedals with optimized hardware architecture and with specialized programming tools and libraries. They optimize and simplify machine learning programming and improve data processing efficiency.