計算機視覺開始與各行業深度融合

• 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發展前景及深度調研分析報告

  微型計算機設備研究報告對微型計算機設備行業研究的內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的整理和分析，通過圖表、統計結果及文獻資料，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，已開始與各個行業進行了深度融合。

利用RDMA優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。

(紅色是微軟的數據，藍色是原始數據)

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

在個標準循環神經網絡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核函數，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開發的編譯優化系統XLA相比，也有很大程度的提升。

最后在內存使用效率上，如GPU或者定制硬件加速器，這些硬件的內存資源有限，很可能限制模型的規模。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內存中，使數據分段地傳輸到GPU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者進行嘗試，以此來實現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，幫助開發者、企業能夠更聚焦在自家業務方面，而不是去關注底層系統到底是如何運行的。

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一特性，就好比當年的數據庫，最早數據庫有很多類型，但最后伴隨Relational algebra(關系代數)為基礎的數據庫的誕生，讓所有數據庫模型都成為一種統一的模型。而在人工智能方面，從系統角度來看，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的產品當中。

延伸閱讀

推薦閱讀

猜您喜歡