雷鋒網(wǎng)注：【 圖片來源：IEEE  所有者：iStockphoto 】

自2017年以來，研究人員一直使用AI神經(jīng)網(wǎng)絡(luò)來幫助設(shè)計(jì)更好更快的AI神經(jīng)網(wǎng)絡(luò)。

迄今為止，這種應(yīng)用在很大程度上是一種學(xué)術(shù)追求，主要是因?yàn)檫@種方法需要數(shù)萬個(gè)GPU hours。然而，下個(gè)月，麻省理工學(xué)院(MIT)的研究團(tuán)隊(duì)將展示所謂的“神經(jīng)架構(gòu)搜索”算法，該算法可以將AI優(yōu)化AI的過程加快240倍或者更多。

優(yōu)化后的AI速度更快，精準(zhǔn)度更高。而這個(gè)新算法的出現(xiàn)將助力優(yōu)化后的AI廣泛應(yīng)用于圖像識別算法和其他相關(guān)應(yīng)用。

MIT電子工程和計(jì)算機(jī)科學(xué)的助教Song Han表示：“我們團(tuán)隊(duì)在模型大小、推理延遲、準(zhǔn)確性和模型容量等多個(gè)方面做出了權(quán)衡?！彼€補(bǔ)充說：“這些因素組成了一個(gè)巨大的設(shè)計(jì)空間。以前，人們都在設(shè)計(jì)基于人類啟發(fā)的神經(jīng)網(wǎng)絡(luò)。而新算法試圖將這種勞動(dòng)密集型的、基于人類啟發(fā)的方式轉(zhuǎn)變?yōu)橐粋€(gè)基于學(xué)習(xí)的、基于AI的設(shè)計(jì)方式。就像AI可以學(xué)習(xí)下棋一樣，AI也可以學(xué)習(xí)設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)。”

就像在圍棋和國際象棋中獲勝的AI程序教給大師們新策略一樣，AI優(yōu)化AI這一新的探索為設(shè)計(jì)AI神經(jīng)網(wǎng)絡(luò)提供了全新的方法。此類神經(jīng)網(wǎng)絡(luò)被稱為卷積神經(jīng)網(wǎng)絡(luò)(CNN)，MIT團(tuán)隊(duì)研究的新算法促進(jìn)了這種神經(jīng)網(wǎng)絡(luò)的發(fā)展。CNN通常作為圖像識別程序的神經(jīng)網(wǎng)絡(luò)。除此之外，它在自然語言處理和藥物發(fā)現(xiàn)等領(lǐng)域也有所應(yīng)用。

MIT的Han指出，一旦他們團(tuán)隊(duì)的算法建立起最優(yōu)的CNN，得到系統(tǒng)分類圖像的速度很可能是其他神經(jīng)架構(gòu)搜索構(gòu)建的AI的1.8倍。

Han說，團(tuán)隊(duì)能夠以如此驚人的速度精確定位最優(yōu)的CNN設(shè)計(jì)，有三個(gè)重要的想法：

第一、他們減少了運(yùn)行神經(jīng)架構(gòu)搜索的GPU內(nèi)存負(fù)載。一般來說，標(biāo)準(zhǔn)的神經(jīng)結(jié)構(gòu)搜索可以同時(shí)檢查網(wǎng)絡(luò)中神經(jīng)層之間所有可能的連接。然而，Han的團(tuán)隊(duì)每次只在GPU的內(nèi)存中保存一條路徑。這個(gè)技巧可以在僅使用十分之一內(nèi)存空間的情況下，對參數(shù)空間進(jìn)行完整的搜索，從而使他們的搜索覆蓋更多的網(wǎng)絡(luò)配置，而不會耗盡芯片上的空間。

第二、從已丟棄的神經(jīng)網(wǎng)絡(luò)搜索中刪除整個(gè)路徑，這明顯加快了神經(jīng)網(wǎng)絡(luò)搜索的速度。

第三、讓神經(jīng)網(wǎng)絡(luò)搜索意識到AI系統(tǒng)可能正在運(yùn)行的硬件的延遲時(shí)間——無論是CPU還是GPU加速的移動(dòng)平臺系統(tǒng)。

Han說，令人驚訝的是，關(guān)于一些圖像識別神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)觀點(diǎn)是錯(cuò)誤的。在某種意義上，AI網(wǎng)絡(luò)設(shè)計(jì)師在設(shè)計(jì)主要運(yùn)行在GPU系統(tǒng)上的網(wǎng)絡(luò)時(shí)，他們的想法仍然停留在CPU時(shí)代。

CNN在其圖像識別算法中使用過濾器，這些算法是由3×3、5×5或7×7像素組成的正方形網(wǎng)格。一般來說，7x7的過濾器很少見，因?yàn)槿藗冋J(rèn)為，運(yùn)行更多的3x3過濾器比運(yùn)行單個(gè)7x7過濾器更快。

然而，Han說，經(jīng)過AI優(yōu)化的AI使用了相當(dāng)數(shù)量的7x7過濾器。他還表示，這是當(dāng)今大多數(shù)AI計(jì)算中GPU占主導(dǎo)地位的原因?！澳壳?，我們已經(jīng)發(fā)現(xiàn)GPU上運(yùn)行7x7更簡單，因?yàn)镚PU有很大的并行度，”Han補(bǔ)充道，“而且調(diào)用一個(gè)大型內(nèi)核比調(diào)用幾個(gè)小型內(nèi)核更有效?！?/p>

在談到他的團(tuán)隊(duì)的算法時(shí)，Han說：“它為人類工程師未來設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)提供了良好的反饋?！比欢?，這并不意味著AI能夠構(gòu)建更強(qiáng)大的版本。

雷鋒網(wǎng)注：本文作者 Mark Anderson，文章編譯自IEEE

雷鋒網(wǎng)注：【封面圖片來源：網(wǎng)站名IEEE，所有者：iStockphoto】

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。