計算機視覺開始與各行業(yè)深度融合

• 2018年7月19日 ZhangHongYuan來源：TechWeb 898 56
• 繁體

• 

  2018-2024年中國微型計算機設備行業(yè)發(fā)展前景及深度調(diào)研分析報告

  微型計算機設備研究報告對微型計算機設備行業(yè)研究的內(nèi)容和方法進行全面的闡述和論證，對研究過程中所獲取的微型計算機設備資料進行全面系統(tǒng)的整理和分析，通過圖表、統(tǒng)計結(jié)果及文獻資料，或以縱...

伴隨人工智能在技術上的不斷突破，一些領域如計算機視覺，已開始與各個行業(yè)進行了深度融合。

利用RDMA優(yōu)化分布式的深度學習訓練，微軟有效提高了多機訓練的吞吐量和收斂速度，在不同應用類型下，取得了2-8倍的加速效果。

(紅色是微軟的數(shù)據(jù)，藍色是原始數(shù)據(jù))

在局部計算方面，目前很多深度學習模型背后有著大規(guī)模的數(shù)據(jù)流圖，在這其中有很多非常小的算子組成，這些算子在GPU上啟動執(zhí)行時都存在著內(nèi)存開銷。為了減少這些系統(tǒng)開銷避免影響計算效率，微軟設計了一個能自動內(nèi)核融合的方式。

在個標準循環(huán)神經(jīng)網(wǎng)絡LSTM模型的例子，微軟通過把整個模型所有的算子融合成一個內(nèi)核函數(shù)，從而基本消除了所有框架本身的額外開銷。跟原始的TensorFlow相比快了10倍之多，而與TensorFlow開發(fā)的編譯優(yōu)化系統(tǒng)XLA相比，也有很大程度的提升。

最后在內(nèi)存使用效率上，如GPU或者定制硬件加速器，這些硬件的內(nèi)存資源有限，很可能限制模型的規(guī)模。微軟的解決方法是利用模型量化和壓縮去減小它的體積，或是如果模型很大，可以將其放在host內(nèi)存中，使數(shù)據(jù)分段地傳輸?shù)紾PU里，但對于不同的模型任務或應用，需要挑選最合適的方法。同時也對TensorFlow做了一些改進，將接口更為便捷的開放給開發(fā)者進行嘗試，以此來實現(xiàn)不同的壓縮和量化方法。

微軟的意圖很明顯，就是將技術更好的對外進行輸送，幫助開發(fā)者、企業(yè)能夠更聚焦在自家業(yè)務方面，而不是去關注底層系統(tǒng)到底是如何運行的。

通過這些巨頭的不斷努力，或許終有一天大多深度學習框架都將具備互通統(tǒng)一特性，就好比當年的數(shù)據(jù)庫，最早數(shù)據(jù)庫有很多類型，但最后伴隨Relational algebra(關系代數(shù))為基礎的數(shù)據(jù)庫的誕生，讓所有數(shù)據(jù)庫模型都成為一種統(tǒng)一的模型。而在人工智能方面，從系統(tǒng)角度來看，這必然是未來的大趨勢之一。

正如微軟印度公司人工智能部門總經(jīng)理桑達爾·斯理尼萬森所說，微軟要讓所有個人和機構都使用上人工智能。未來即使是非人工智能或是機器學習方面的專家，也能將最新的人工智能技術融入到自家所研發(fā)的產(chǎn)品當中。

延伸閱讀

推薦閱讀

猜您喜歡