更简单、更快捷：探讨深度学习的未来发展步伐

【51CTO.com快译】机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。

如果论及哪一个机器学习的领域最为热门，非人工智能莫属，这就是深度学习。深度学习框架又名深度神经网络，一个复杂的模式识别系统，可以实现从自动语言翻译到图像识别的功能。

深度学习需要收集大量的数据，并且拥有处理这些数据的能力，做到这些并非易事，但深度学习技术正在蓬勃发展的道路上，并且已经突破了很多障碍。深度学习对于分析非结构化数据具有非常大的优势。

各大软件巨头们也在酝酿一场深度学习技术的争霸战，比如谷歌的TensorFlow项目与百度的paddle。多个软件框架之间的竞争蓄势待发。软件和硬件间的战争开始了。有预言称，专门的硬件设计模型和服务会是深度学习的下一个大的进步，或许有更好、更智能、更高效的算法，无需硬件的辅助就可以把功能服务推向更多人。问题也由此产生，我们中的大多数人都能逐渐理解和接受深度学习技术吗？还是我们一直需要计算机博士们来把握这项技术工作？

作为竞争对手，微软反击谷歌的杀手锏是认知 工具 包，也叫CNTK。CNTK2.0版在多个层面挑战TensorFlow。CNTK现在提供JavaAPI，可接受Spark处理框架，同时支持Keras神经网络图书馆代码，这实际上就是TensorFlow的前端。这样一来，Keras的用户就可以避开谷歌的解决方案而转向微软。

对于谷歌TensorFlow，微软最直接、最有意义的应对方法是让CNTK更快速和准确，并且使PythonAPI提供高级别和低级别的功能。这是微软想出来的最佳应对策略。

当然，所谓的快速和准确并不是吹牛，如果微软的系统比TensorFlow更快，那便意味着人们有更多的选择而不只是去砸硬件设备。比如，

几家公司最近推出了专门的硅优于GPU深度学习的应用。启动Graphcore深度学习处理器，专门的硅片设计过程中采用神经网络的图形数据。该公司称面临的挑战是创建硬件优化，以运行循环或相互连接的网络和其他网络。

一种Graphcore加速的方法是保持网络模型尽可能接近硅，避免对外部存储器的往返访问。尽可能的避免数据运动是加快机器学习的一种常用方法，但Graphcore以这种方式到达另一个层次。

波计算是深度学习专用硬件的另一种启用方式。像Graphcore一样，公司认为GPU的发展和它自身固有的局限性有很大关系，波计算的计划是建立"数据流的设备，"机架式系统使用定制芯片，可以提供2.9petaops计算（"petaops"是定点运算，不是"千万亿次的"浮点运算）。这样的运算速度超出了谷歌TPU提供的92teraops的订单。

谷歌已经针对TensorFlow在移动设备上的应用作出升级，一个名为Brodmann17的工具试图在智能手机级硬盘上占用5%的资源(包括计算、存储和数据)。

该公司的做法是由首席执行官和创始人AdiPinhas提出的，用现有的标准神经网络模块创建一个更小的模型。Pinhas说，相比其他流行的深度学习架构，小的模型数量少于训练数据的10%。但在相同的时间里需要一些培训。最终的目的是对速度的精确权衡，更快的预测时间，功耗更低，占用的内存少。

【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】

以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 我们