[외부 강의] TensorFlow 기반 딥러닝의 이해(2)

AI와 하드웨어

많은 연산이 필수적인 AI 프로램을 수행하기 위해서는 당연히 알맞은 하드웨어 선택이 필수적이다.

더 들어가기 앞서 기존의 하드웨어 종류와 간단한 콘셉트만 살펴보자.

 

출처: Tractica

 

[CPU(Central Processing Unit)]

• AND, OR, XOR, NAND, NOR, XNOR과 같은 논리회로들을 잘 구성해서 만든 중앙처리장치(모든 처리장치에 비슷하게 해당됨)
• 다양한 연산을 수행하기 위한 복잡하고 큰 코어를 가짐(GPU와 비교했을 때 코어의 개수가 적음)
• 각각의 코어의 성능이 더 좋기 때문에 순차적인 작업에 강점을 가짐

 

[GPU(Graphic Processing Unit)]

• 단순한 연산을 수행에 특화된 작은 코어를 가짐(CPU와 비교했을 때 코어의 갯수가 많음)
• 각각의 코어의 성능이 낮지만 많기 때문에 병렬적인 작업에 강점을 가짐 
• 인공신경망은 구조적으로 다량의 간단한 덧셈과 곱셈연산을 요하는데, 이런 측면에서 바라보면 GPU에서 효율적인 처리가 가능

 

[직관적으로 CPU와 GPU의 차이점을 보여주는 영상]

https://www.youtube.com/watch?v=1BAZf3PsjWA 

 

[FPGA(Field Programmable Gate Array)]

• 사용자가 원하는 디지털 논리를 프로그래밍을 통해 구현
• 수정이 가능하며, 알고리즘을 통한 병렬설계가 가능
• CPU혹은 GPU와 함께 가속기로 사용되어 연산을 도울 수 있음

 

[ASIC(Application-Specific Integrated Circuit)]

• 주문자가 원하는 기능 위주로 설계하여 효율적인 사용이 가능
• 유연성이 떨어지기는 하지만 대량생산을 했을 때 가격을 낮출 수 있다는 장점(FPGA는 높은 IC비용으로 대량생산을 해도 가격적 메리트를 찾기 어려움)