計算機視覺開始與各行業(yè)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(yè)發(fā)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(yè)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(tǒng)的整理和分析，通過圖表、統(tǒng)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(yè)進行了深度融合。

7月19日消息，現今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(yè)進行了深度融合。例如保險行業(yè)已通過人臉識別這種新時代的認證方式，來對用戶身份信息進行識別與審核。

而在計算機視覺背后，是以深度學習為依托進行的展開，目前深度學習較為成熟分別是人臉識別、物體檢測、物體跟蹤等方面的應用。而在應用的背后，深度學習計算的優(yōu)化亦成為了重中之重，畢竟深度學習的模型是迅速迭代的，開發(fā)者要針對每一個模型嘗試不同的模型和算法，從而對其參數和網絡結構進行調整。

但大模型的訓練要耗費上數天乃至數月的時間，所以若想實現模型的快速迭代，高效的訓練和推理的方式顯得尤為重要。因此模型優(yōu)化雖然費時費力，但卻是個高回報的投入。

深度學習框架的現狀與挑戰(zhàn)

眾所周知，深度學習對人工智能的發(fā)展起著至關重要的影響，但深度學習也是一項極具挑戰(zhàn)的工作。其一是深度學習領域以大規(guī)模標注數據為支撐進行的展開，必須要以數據為前提才能利用現有的統(tǒng)計學模型。

其二是需要先進的網絡模型的創(chuàng)新，記得在2015年，微軟奪冠ImageNet計算機視覺識別挑戰(zhàn)時，曾揭開過152層的神經網絡模型，比VGG網絡深8倍，并使用“殘差學習”理論來指導神經網絡結構的設計。但如此深的模型，自然也對系統(tǒng)提出了很高要求。

雖然目前硬件和網絡的發(fā)展極為迅速，GPU、芯片等硬件的發(fā)展也提供了比以往更為強大的計算能力，同時網絡連接也為深度學習帶來了全新的發(fā)展機遇。但遺憾的是，系統(tǒng)方面所出現的瓶頸問題卻尚未得到解決，如何將不同模型高效地映射到相應的硬件上并定制優(yōu)化，是深度學習目前面臨的挑戰(zhàn)之一。

對于微軟而言，其愿景是讓每個人都能用上人工智能，解放從業(yè)者不必要的工作量，因此若想讓人工智能變得更為大眾化，系統(tǒng)優(yōu)化上的工作自然落在了微軟的肩上。

深度學習優(yōu)化三大挑戰(zhàn)

在此前一次媒體交流的活動中，微軟亞洲研究院資深研究員伍鳴曾指出，目前深度學習計算的優(yōu)化主要面臨三大挑戰(zhàn)：擴展性、局部計算以及內存的使用效率。

擴展性方面，微軟通過遠程直接數據存取(RDMA)以及NVLink(英偉達開發(fā)并推出的一種總線及其通信協(xié)議)等高速的網絡硬件能力，設計出了一個討巧的零拷貝通信機制，讓計算能力能夠線性增加。也為深度學習開發(fā)人員帶來更大的想象空間。

此外優(yōu)化算法是求解目標函數中極為重要的一環(huán)，需要設計并行與分布式優(yōu)化算法。但開發(fā)者通常更關注于神經網絡結構和算法的本身，并不擅長指導其在分布式環(huán)境中去具體執(zhí)行，為此微軟開發(fā)了一套能夠實現自動優(yōu)化的系統(tǒng)軟件，能夠自動把模型做分布式的執(zhí)行。

延伸閱讀

推薦閱讀

猜您喜歡