深度學(xué)習(xí)的發(fā)展會(huì)帶給硬件架構(gòu)怎樣的影響？

導(dǎo)讀：深度學(xué)習(xí)經(jīng)過這么長(zhǎng)時(shí)間的發(fā)展，在網(wǎng)絡(luò)的種類、復(fù)雜程度和處理的信息量上都發(fā)生了天翻地覆的變化。

2019 ISSCC 大會(huì)于2月17—21日在美國(guó)舊金山開幕，F(xiàn)acebook 首席 AI 科學(xué)家 Yann LeCun 在會(huì)上發(fā)表了主題演講「深度學(xué)習(xí)硬件：過去、現(xiàn)在和未來」，詳細(xì)介紹了深度學(xué)習(xí)研究的發(fā)展將如何影響未來硬件架構(gòu)。

如今，只要在網(wǎng)絡(luò)上搜索“深度學(xué)習(xí)”算法，都會(huì)顯示很多相關(guān)的信息，在過去的數(shù)十年里，人工智能已經(jīng)越來越成功地應(yīng)用于生物識(shí)別、語音識(shí)別、視頻識(shí)別、翻譯等。國(guó)內(nèi)更是誕生了諸如曠視科技、商湯科技、極鏈科技Video++、依圖科技等優(yōu)秀人工智能初創(chuàng)企業(yè)。設(shè)計(jì)人員將大量高度并行的計(jì)算加載到硬件上，尤其是最初為快速圖像渲染而開發(fā)的圖形處理單元（GPU）。這些芯片特別適合于計(jì)算密集型“訓(xùn)練”階段，該階段使用許多經(jīng)過驗(yàn)證的例子來調(diào)整系統(tǒng)參數(shù)。在“推理”階段，其中部署深度學(xué)習(xí)處理的輸入，需要更大的存儲(chǔ)器訪問和快速響應(yīng)，目前已經(jīng)可以使用GPU實(shí)現(xiàn)。

深度學(xué)習(xí)與GPU

為了快速應(yīng)對(duì)增長(zhǎng)的需求，許多公司都正在開發(fā)能夠直接賦予深度學(xué)習(xí)能力的硬件，迫切的需要進(jìn)行推理以及培訓(xùn)。近年來隨著深度學(xué)習(xí)的迅速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）被廣泛使用，特別是在圖像識(shí)別場(chǎng)景中的應(yīng)用。為了滿足更多場(chǎng)景應(yīng)用，需要有一種能夠根據(jù)實(shí)際場(chǎng)景需求替換不同CNN網(wǎng)絡(luò)模型的系統(tǒng)框架。在過去的20年里，視頻、游戲等產(chǎn)業(yè)推動(dòng)了GPU的進(jìn)步，其繪制圖形所需的矩陣正是深度學(xué)習(xí)所需的計(jì)算類型。

GPU技術(shù)的進(jìn)步則是推動(dòng)了神經(jīng)網(wǎng)絡(luò)的發(fā)展，因?yàn)樵跊]有GPU的情況下訓(xùn)練深度學(xué)習(xí)模型在大多數(shù)情況下會(huì)非常緩慢。許多人把生產(chǎn)中深度學(xué)習(xí)的想法想的過于復(fù)雜，我們可以在生產(chǎn)中使用CPU和選擇的網(wǎng)絡(luò)服務(wù)器進(jìn)行深入學(xué)習(xí)。生產(chǎn)中進(jìn)行訓(xùn)練是非常罕見的。即使你想每天更新你的模型權(quán)重，也不需要在生產(chǎn)中進(jìn)行訓(xùn)練。這意味著你只是在生產(chǎn)過程中進(jìn)行“推理”，比“培訓(xùn)”更快更容易。你可以使用任何你喜歡的Web服務(wù)器，并將其設(shè)置為簡(jiǎn)單的API調(diào)用。如果能夠有效地批量處理數(shù)據(jù)，GPU只會(huì)提供更快的速度。

GPU在處理圖形的時(shí)候，從最初的設(shè)計(jì)就能夠執(zhí)行并行指令，從一個(gè)GPU核心收到一組多邊形數(shù)據(jù)，到完成所有處理并輸出圖像可以做到完全獨(dú)立。由于最初GPU就采用了大量的執(zhí)行單元，這些執(zhí)行單元可以輕松的加載并行處理，而不像CPU那樣的單線程處理。另外，現(xiàn)代的GPU也可以在每個(gè)指令周期執(zhí)行更多的單一指令。所以GPU比CPU更適合深度學(xué)習(xí)的大量矩陣、卷積運(yùn)算的需求。深度學(xué)習(xí)的應(yīng)用與其原先的應(yīng)用需求頗為類似。GPU廠家順理成章的在深度學(xué)習(xí)，找到了新增長(zhǎng)點(diǎn)。

深度學(xué)習(xí)發(fā)展是否出現(xiàn)“瓶頸”

我們之所以使用GPU加速深度學(xué)習(xí)，是因?yàn)樯疃葘W(xué)習(xí)所要計(jì)算的數(shù)據(jù)量異常龐大，用傳統(tǒng)的計(jì)算方式需要漫長(zhǎng)的時(shí)間。但如果未來深度學(xué)習(xí)的數(shù)據(jù)量有所下降，或者說我們不能提供給深度學(xué)習(xí)所需要的足夠數(shù)據(jù)量，是否就意味著深度學(xué)習(xí)也要進(jìn)入“瓶頸”了呢？

做深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量模型，然后才能實(shí)現(xiàn)數(shù)學(xué)上的收斂。深度學(xué)習(xí)要真正接近成人的智力，它所需要的神經(jīng)網(wǎng)絡(luò)規(guī)模非常龐大，它所需要的數(shù)據(jù)量，會(huì)比我們做語言識(shí)別、圖像處理要多得多。假設(shè)說，我們發(fā)現(xiàn)我們沒有辦法提供這樣的數(shù)據(jù)，則很有可能出現(xiàn)瓶頸。

目前，深度學(xué)習(xí)還在蓬勃發(fā)展往上的階段。比如我們現(xiàn)階段主要做得比較成熟的語音、圖像、視頻方面，整個(gè)的數(shù)據(jù)量還是在不斷的增多的，網(wǎng)絡(luò)規(guī)模也在不斷的變復(fù)雜?？梢哉f深度學(xué)習(xí)是GPU計(jì)算發(fā)展的關(guān)鍵，誰能找到最適合深度學(xué)習(xí)的模式，誰就是勝利者。

結(jié)語：

深度學(xué)習(xí)經(jīng)過這么長(zhǎng)時(shí)間的發(fā)展，在網(wǎng)絡(luò)的種類、復(fù)雜程度和處理的信息量上都發(fā)生了天翻地覆的變化。當(dāng)前，網(wǎng)絡(luò)種類上，從早期的 AlexNet 和 GoogleNet 到現(xiàn)在各企業(yè)推出的 GAN以及各種深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)，它們各自網(wǎng)絡(luò)結(jié)構(gòu)都有不同，開發(fā)者在適應(yīng)最新的網(wǎng)絡(luò)上常常會(huì)遇到一些麻煩。處理的信息量也在成倍地增長(zhǎng)，算力需求越來越高的情況下，也將對(duì)搭載處理單元的硬件有著更高的要求。

——轉(zhuǎn)自互聯(lián)網(wǎng)