Какие мощности использовал для обучения модели

Для обучения моделей обычно используются CPU, GPU или TPU в зависимости от задачи:

CPU - подходит для небольших моделей (например, sklearn) или предобработки данных. Пример:

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(X_train, y_train)

GPU (NVIDIA) - ускоряет обучение глубоких нейросетей в 10-100 раз. Популярны карты серий Tesla (V100, A100) или GeForce (RTX 3090). Пример для PyTorch:

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = model.to(device)

TPU (Tensor Processing Unit) - специализированные процессоры от Google, оптимизированные для матричных операций. Используются через Google Colab или Cloud TPU.

Для больших моделей (LLM, диффузионные) часто применяют распределенное обучение на нескольких GPU/TPU с фреймворками типа DeepSpeed или Horovod.