【51CTO.com快譯】機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。

如果論及哪一個機(jī)器學(xué)習(xí)的領(lǐng)域最為熱門，非人工智能莫屬，這就是深度學(xué)習(xí)。深度學(xué)習(xí)框架又名深度神經(jīng)網(wǎng)絡(luò)，一個復(fù)雜的模式識別系統(tǒng)，可以實(shí)現(xiàn)從自動語言翻譯到圖像識別的功能。
 

[[193565]]

深度學(xué)習(xí)需要收集大量的數(shù)據(jù)，并且擁有處理這些數(shù)據(jù)的能力，做到這些并非易事，但深度學(xué)習(xí)技術(shù)正在蓬勃發(fā)展的道路上，并且已經(jīng)突破了很多障礙。深度學(xué)習(xí)對于分析非結(jié)構(gòu)化數(shù)據(jù)具有非常大的優(yōu)勢。

各大軟件巨頭們也在醞釀一場深度學(xué)習(xí)技術(shù)的爭霸戰(zhàn)，比如谷歌的TensorFlow項(xiàng)目與百度的paddle。多個軟件框架之間的競爭蓄勢待發(fā)。軟件和硬件間的戰(zhàn)爭開始了。有預(yù)言稱，專門的硬件設(shè)計(jì)模型和服務(wù)會是深度學(xué)習(xí)的下一個大的進(jìn)步，或許有更好、更智能、更高效的算法，無需硬件的輔助就可以把功能服務(wù)推向更多人。問題也由此產(chǎn)生，我們中的大多數(shù)人都能逐漸理解和接受深度學(xué)習(xí)技術(shù)嗎？還是我們一直需要計(jì)算機(jī)博士們來把握這項(xiàng)技術(shù)工作？

微軟比谷歌更緊張

一項(xiàng)重要技術(shù)展示給世界的好辦法，就是引起技術(shù)巨頭公司們的興趣。像過去的NoSQL、Hadoop和Spark。在深度學(xué)習(xí)框架領(lǐng)域，谷歌的TensorFlow已經(jīng)發(fā)展得十分可觀，而谷歌云和谷歌專有硬件的研發(fā)也緊隨其后。

作為競爭對手，微軟反擊谷歌的殺手锏是認(rèn)知工具包，也叫CNTK。CNTK2.0版在多個層面挑戰(zhàn)TensorFlow。CNTK現(xiàn)在提供JavaAPI，可接受Spark處理框架，同時支持Keras神經(jīng)網(wǎng)絡(luò)圖書館代碼，這實(shí)際上就是TensorFlow的前端。這樣一來，Keras的用戶就可以避開谷歌的解決方案而轉(zhuǎn)向微軟。

對于谷歌TensorFlow，微軟最直接、最有意義的應(yīng)對方法是讓CNTK更快速和準(zhǔn)確，并且使PythonAPI提供高級別和低級別的功能。這是微軟想出來的***應(yīng)對策略。
當(dāng)然，所謂的快速和準(zhǔn)確并不是吹牛，如果微軟的系統(tǒng)比TensorFlow更快，那便意味著人們有更多的選擇而不只是去砸硬件設(shè)備。比如，

Tensorflow通過谷歌的定制TPU處理器進(jìn)行硬件加速，那就意味著第三方項(xiàng)目，TensorFlow和CNTK的接口，就像Spark一樣，都能得到加速。承蒙雅虎的牽線，TensorFlow和Spark已經(jīng)協(xié)同工作，但是如果CNTK和Spark提供更少的工作和更高的報酬，CNTK就成為了Spark所在領(lǐng)域中最為誘人的選擇。

硬件：Graphcore和波計(jì)算

谷歌TPU的一個缺點(diǎn)是，他們只在谷歌云中有效。對于那些已經(jīng)投資了GCP的人來說，這可能不是個問題，但是對于大多數(shù)人，這是一個潛在的"阻斷劑"。為深入學(xué)習(xí)專用硅，如NVIDIA的GPU需要的附加條件較少。

幾家公司最近推出了專門的硅優(yōu)于GPU深度學(xué)習(xí)的應(yīng)用。啟動Graphcore深度學(xué)習(xí)處理器，專門的硅片設(shè)計(jì)過程中采用神經(jīng)網(wǎng)絡(luò)的圖形數(shù)據(jù)。該公司稱面臨的挑戰(zhàn)是創(chuàng)建硬件優(yōu)化，以運(yùn)行循環(huán)或相互連接的網(wǎng)絡(luò)和其他網(wǎng)絡(luò)。

一種Graphcore加速的方法是保持網(wǎng)絡(luò)模型盡可能接近硅，避免對外部存儲器的往返訪問。盡可能的避免數(shù)據(jù)運(yùn)動是加快機(jī)器學(xué)習(xí)的一種常用方法，但Graphcore以這種方式到達(dá)另一個層次。

波計(jì)算是深度學(xué)習(xí)專用硬件的另一種啟用方式。像Graphcore一樣，公司認(rèn)為GPU的發(fā)展和它自身固有的局限性有很大關(guān)系，波計(jì)算的計(jì)劃是建立"數(shù)據(jù)流的設(shè)備，"機(jī)架式系統(tǒng)使用定制芯片，可以提供2.9petaops計(jì)算（"petaops"是定點(diǎn)運(yùn)算，不是"千萬億次的"浮點(diǎn)運(yùn)算）。這樣的運(yùn)算速度超出了谷歌TPU提供的92teraops的訂單。

在需要獨(dú)立基準(zhǔn)，也不清楚每Petaop的價格是否有競爭力的情況下，波計(jì)算能保證價格的穩(wěn)定，也讓它的潛在用戶可以放心。谷歌TensorFlow的支持是***個產(chǎn)品框架支持，CNTK、亞馬遜的MXNeT和其他公司緊隨其后。

brodmann17：小模型，高速度

鑒于Graphcore和波計(jì)算的硬件要優(yōu)于TPU，其他第三方的目的是展示框架和更好的運(yùn)算法則，可以帶來更有力的機(jī)械學(xué)習(xí)。有些用于定位缺乏訪問處理區(qū)域，例如智能手機(jī)。
谷歌已經(jīng)針對TensorFlow在移動設(shè)備上的應(yīng)用作出升級，一個名為Brodmann17的工具試圖在智能手機(jī)級硬盤上占用5%的資源(包括計(jì)算、存儲和數(shù)據(jù))。

該公司的做法是由***執(zhí)行官和創(chuàng)始人AdiPinhas提出的，用現(xiàn)有的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模塊創(chuàng)建一個更小的模型。Pinhas說，相比其他流行的深度學(xué)習(xí)架構(gòu)，小的模型數(shù)量少于訓(xùn)練數(shù)據(jù)的10%。但在相同的時間里需要一些培訓(xùn)。最終的目的是對速度的精確權(quán)衡，更快的預(yù)測時間，功耗更低，占用的內(nèi)存少。

現(xiàn)階段別指望看到什么開放源代碼的產(chǎn)品出現(xiàn)，brodmann17的商業(yè)模式是提供云計(jì)算的API和本地計(jì)算的SDK。Pinhas說，"我們希望擴(kuò)大我們未來的產(chǎn)品，所以商業(yè)化可能只是***步。

擦出新火花

今年早些時候，InfoWorld撰稿人JamesKobielus預(yù)言深度學(xué)習(xí)框架之間的戰(zhàn)火漸起。雅虎已經(jīng)把TensorFlow引向Spark，但是Spark的主要供應(yīng)商Databricks現(xiàn)在向Spark提供自己的開源軟件包來整合深度學(xué)習(xí)框架。

正如該項(xiàng)目的名稱--深度學(xué)習(xí)管道，探討深度學(xué)習(xí)整合并且以Spark自己的角度來看待ML管道技術(shù)。Spark工作流可以像TensorFlow和Keras一樣被稱為圖書館。這些框架模型可以像Spark在其他方面一樣，進(jìn)行規(guī)模化訓(xùn)練。并且通過Spark自己的方式來處理數(shù)據(jù)和深度學(xué)習(xí)模型。許多數(shù)據(jù)管理員已經(jīng)熟悉了Spark并且開始使用它。

全民深度學(xué)習(xí)？

Databricks曾經(jīng)在自己的新聞稿里提到"民主化的人工智能和數(shù)據(jù)科學(xué)"。這樣的論調(diào)意味著什么呢？微軟認(rèn)為他們的CNTK2.0可以成為一項(xiàng)有力的舉措，使AI技術(shù)無處不在的面向所有人。深度學(xué)習(xí)固有的復(fù)雜性并不是唯一要克服的障礙。深度學(xué)習(xí)的整個工作流程仍然是一個點(diǎn)對點(diǎn)的工作流程。這里有需要填補(bǔ)的空白，所有平臺、框架和云背后的商業(yè)機(jī)構(gòu)都在競相填補(bǔ)端到端的解決方案。關(guān)于深度學(xué)習(xí)技術(shù)，下一步的關(guān)鍵將不僅僅是找到一個真正的深層學(xué)習(xí)框架。而是找到一個統(tǒng)一的工作流程。這樣一來，不管是誰在開發(fā)運(yùn)行項(xiàng)目，其深度學(xué)習(xí)框架都可以有據(jù)可循的進(jìn)行開發(fā)和研究。

作者：SerdarYegulalp
原文鏈接：
http://www.infoworld.com/article/3199950/artificial-intelligence/deep-learnings-next-steps-custom-hardware-better-frameworks-easier-on-ramps.html

劉妮娜譯

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】