2019 ISSCC 大會于2月17—21日在美國舊金山開幕，F(xiàn)acebook 首席 AI 科學家 Yann LeCun 在會上發(fā)表了主題演講「深度學習硬件：過去、現(xiàn)在和未來」，詳細介紹了深度學習研究的發(fā)展將如何影響未來硬件架構。
如今，只要在網(wǎng)絡上搜索“深度學習”算法，都會顯示很多相關的信息，在過去的數(shù)十年里，人工智能已經(jīng)越來越成功地應用于生物識別、語音識別、視頻識別、翻譯等。國內(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)。設計人員將大量高度并行的計算加載到硬件上，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算密集型“訓練”階段，該階段使用許多經(jīng)過驗證的例子來調(diào)整系統(tǒng)參數(shù)。在“推理”階段，其中部署深度學習處理的輸入，需要更大的存儲器訪問和快速響應，目前已經(jīng)可以使用GPU實現(xiàn)。
深度學習與GPU
為了快速應對增長的需求，許多公司都正在開發(fā)能夠直接賦予深度學習能力的硬件，迫切的需要進行推理以及培訓。近年來隨著深度學習的迅速發(fā)展，卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network）被廣泛使用，特別是在圖像識別場景中的應用。為了滿足更多場景應用，需要有一種能夠根據(jù)實際場景需求替換不同CNN網(wǎng)絡模型的系統(tǒng)框架。在過去的20年里，視頻、游戲等產(chǎn)業(yè)推動了GPU的進步，其繪制圖形所需的矩陣正是深度學習所需的計算類型。
GPU技術的進步則是推動了神經(jīng)網(wǎng)絡的發(fā)展，因為在沒有GPU的情況下訓練深度學習模型在大多數(shù)情況下會非常緩慢。許多人把生產(chǎn)中深度學習的想法想的過于復雜，我們可以在生產(chǎn)中使用CPU和選擇的網(wǎng)絡服務器進行深入學習。生產(chǎn)中進行訓練是非常罕見的。即使你想每天更新你的模型權重，也不需要在生產(chǎn)中進行訓練。這意味著你只是在生產(chǎn)過程中進行“推理”，比“培訓”更快更容易。你可以使用任何你喜歡的Web服務器，并將其設置為簡單的API調(diào)用。如果能夠有效地批量處理數(shù)據(jù)，GPU只會提供更快的速度。
GPU在處理圖形的時候，從最初的設計就能夠執(zhí)行并行指令，從一個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更適合深度學習的大量矩陣、卷積運算的需求。深度學習的應用與其原先的應用需求頗為類似。GPU廠家順理成章的在深度學習，找到了新增長點。
深度學習發(fā)展是否出現(xiàn)“瓶頸”
我們之所以使用GPU加速深度學習，是因為深度學習所要計算的數(shù)據(jù)量異常龐大，用傳統(tǒng)的計算方式需要漫長的時間。但如果未來深度學習的數(shù)據(jù)量有所下降，或者說我們不能提供給深度學習所需要的足夠數(shù)據(jù)量，是否就意味著深度學習也要進入“瓶頸”了呢？
做深度神經(jīng)網(wǎng)絡訓練需要大量模型，然后才能實現(xiàn)數(shù)學上的收斂。深度學習要真正接近成人的智力，它所需要的神經(jīng)網(wǎng)絡規(guī)模非常龐大，它所需要的數(shù)據(jù)量，會比我們做語言識別、圖像處理要多得多。假設說，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，深度學習還在蓬勃發(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，整個的數(shù)據(jù)量還是在不斷的增多的，網(wǎng)絡規(guī)模也在不斷的變復雜?？梢哉f深度學習是GPU計算發(fā)展的關鍵，誰能找到最適合深度學習的模式，誰就是勝利者。
結語：
深度學習經(jīng)過這么長時間的發(fā)展，在網(wǎng)絡的種類、復雜程度和處理的信息量上都發(fā)生了天翻地覆的變化。當前，網(wǎng)絡種類上，從早期的 AlexNet 和 GoogleNet 到現(xiàn)在各企業(yè)推出的 GAN以及各種深度強化學習的網(wǎng)絡，它們各自網(wǎng)絡結構都有不同，開發(fā)者在適應最新的網(wǎng)絡上常常會遇到一些麻煩。處理的信息量也在成倍地增長，算力需求越來越高的情況下，也將對搭載處理單元的硬件有著更高的要求。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
