隨著基于超級網(wǎng)絡的NAS出現(xiàn)，NAS的成本已經在下降。因此，現(xiàn)在可能是時候讓硬件供貨商開始尋找自己的優(yōu)化DNN。當被問及DeepScale是否計劃透過合作、授權或為AI硬件公司開發(fā)優(yōu)化DNN來填補這一缺口時，Iandola說，“我們還沒有真正考慮過這個問題?！?/p>
為了讓AI加速器在最短延遲內達到最佳精準度，特別是在自動駕駛車中，TFLOP已經成為許多所謂大腦芯片的關鍵指針，然而，有專家認為這種野蠻處理方式并不可持續(xù)……
為了讓人工智能（AI）加速器在最短延遲內達到最佳精準度，特別是在自動駕駛車（AV）中，TFLOP（兆次浮點運算）已經成為許多所謂大腦芯片的關鍵指針。這場競賽的選手包括Nvidia的Xavier、Mobileye的EyeQ5、特斯拉（Tesla）的全自動駕駛（FSD）計算機芯片，以及NXP-Kalray芯片。
然而，有專家認為這種野蠻處理方式并不可持續(xù)。在EE Times的一次獨家專訪中，DeepScale執(zhí)行長Forrest Iandola提出其不可持續(xù)的理由，是因為AI硬件設計師所持有的許多常見假設已經過時。隨著AI應用日益增多，AI供貨商從中積累更多的經驗，這導致不同的AI任務開始需求不同的技術方法。如果事實的確如此，AI使用者購買AI技術的方式將會改變，供貨商也必將做出回應。
DeepScale執(zhí)行長Forrest Iandola
Iandola表示，就拿神經網(wǎng)絡架構搜尋（NAS）為例，其快速發(fā)展不僅加快優(yōu)化深度神經網(wǎng)絡（DNN）的搜尋過程，并降低這一過程的成本。他相信有一種方法可以“在目標任務和目標運算平臺上建立最低延遲、最高精準度的DNN，”而不是依賴于更大的芯片來處理所有的AI任務。
Iandola設想未來AI芯片或傳感器系統(tǒng)（如計算機視覺、雷達或光達）供貨商不僅提供硬件，而且還會提供自己的高速、高效的DNN——為應用而設計的DNN架構。任何供貨商都會為不同的運算平臺匹配各自所需的DNN，如果事實真是如此，那AI競賽中的所有賭注都將失效。
需要明確的是，目前無論是芯片公司還是傳感器供貨商都沒有提出上述前景。甚至很少有人在特定硬件上運作有針對性AI任務的可能性。
Iandola及其DeepScale團隊最近設計了一系列DNN模型，稱為“SqueezeNAS”。在最近的一篇報告中，他們聲稱，當在目標平臺上搜尋延遲時，SqueezeNAS“可以建立更快、更準確的模型”。這篇報告推翻了AI小區(qū)先前對NAS、乘積累加（MAC）運算和將ImageNet精確度應用于目標任務時所做的一些假設。
DeepScale于2015年由Iandola和Kurt Keutzer教授共同創(chuàng)立，是一家位于加州山景城的新創(chuàng)公司，致力于開發(fā)“微型DNN”。兩位聯(lián)合創(chuàng)始人曾在加州大學柏克萊大學分校共事，DeepScale因其快速高效的DNN研究而在科學界備受推崇。
手工設計（Manual designs）
要想真正理解機器學習在計算機視覺方面的最新進展的意義，需要了解其發(fā)展歷史。
還記得AlexNet網(wǎng)絡結構模型在2012年贏得ImageNet影像分類競賽嗎？這為研究人員打開了競爭的大門，讓他們專注于ImageNet研究，并尋找能夠在計算機視覺任務上達到最高精準度的DNN，以此開展競爭。
ImageNet分類錯誤統(tǒng)計。（數(shù)據(jù)源：ResearchGate）
通常，這些計算機視覺研究人員依靠專家工程師，他們會手工設計快速且高精準度的DNN架構。
從2012年到2016年，他們提高了計算機視覺的準確性，但都是透過大幅增加執(zhí)行DNN所需資源來實現(xiàn)這一目標。Iandola解釋，例如，贏得2014年ImageNet比賽冠軍的VGGNet，其使用的運算量是AlexNet的10倍，參數(shù)是AlexNet的2倍。
到2016年，學術研究界發(fā)現(xiàn)利用增加DNN的資源需求來提高準確性“不可持續(xù)”。SqueezeNet便是研究人員尋找的眾多替代方案之一，由Iandola及其同事在2016年發(fā)表，它展示出在微小預算（低于5MB）參數(shù)下ImageNet的“合理的準確性”。
Squeezenet引發(fā)了兩個重大變化。相對于SqueezeNet和其他早期運算而言，MobileNetV1能夠大幅度減少MAC的數(shù)量，Shufflenetv1是為行動端CPU實現(xiàn)低延遲而優(yōu)化的DNN。
利用機器學習改善機器學習
如前所述，所有這些先進DNN都是透過手工設計和調整神經網(wǎng)絡架構開發(fā)而成。由于手工流程需要專業(yè)的工程師大量的除錯，這很快就成為一個成本太高、耗時太久的提議。
因而基于機器學習，實現(xiàn)人工神經網(wǎng)絡設計自動化的理念，NAS應運而生。NAS是一種搜尋最佳神經網(wǎng)絡架構的算法，并改變了AI格局。Iandola稱，“到2018年，NAS已經開始構建能夠以較低延遲運行的DNN，并且比以前手工設計的DNN產生更高的準確性?！?/p>
強化學習（Reinforcement Learning）
隨后，計算機視覺界開始使用基于機器學習的強化方法——強化學習。換句話說，“機器學習得到回饋來改善機器學習，”Iandola解釋。在基于強化學習的NAS下，未經訓練的強化學習獲得建議，指定層數(shù)和參數(shù)來訓練DNN架構。一旦對DNN進行訓練，訓練運作的結果將作為回饋，從而推動強化學習執(zhí)行更多DNN來展開訓練。
經證明，基于強化學習的NAS是有效的。Google MnasNet就是一個很好的例子，它在ImageNet延遲和準確性方面都優(yōu)于ShuffleNet。但它也有一個關鍵的弱點：成本太高?；趶娀瘜W習的搜尋通常需要數(shù)千個GPU天（GPU day），以訓練數(shù)百乃至數(shù)千個不同的DNN，才能生成理想的設計?！癎oogle負擔得起，”Iandola表示，但大多數(shù)其他公司負擔不起。
現(xiàn)實地說，一個基于強化學習的NAS要訓練一千個DNN，每個DNN通常需要一個GPU天?？紤]到目前亞馬遜（Amazon）云端服務平臺的價格，Iandola估計，一個使用基于強化學習的NAS搜尋所花費的云端運算時間可能耗資高達7萬美元。
超級網(wǎng)絡（Supernetwork）
在這種情況下，去年底出現(xiàn)了一種新的NAS類型，稱為基于“超級網(wǎng)絡”的搜尋。它的典型代表包括FBNet（Facebook柏克萊網(wǎng)絡）和SqueezNet。
搜尋時間減少100倍。（數(shù)據(jù)源：DeepScale）
Iandola解釋：“超級網(wǎng)絡采用一步到位的方法，而不是培訓1，000個獨立的DNN?！崩?，一個DNN有20個模塊，每個模塊有13個選項。若為每個模塊選擇一個最喜歡的選項，“你正在以10個DNN訓練運作花費為代價，一次性訓練一個匯集了千兆種DNN設計的DNN，”Iandola解釋。
結果顯示，基于超級網(wǎng)絡的NAS可以在10個GPU天的搜尋時間內建立DNN，其延遲和準確性優(yōu)于MnasNet。“這讓搜尋成本從7萬多美元減少到大約700美元的亞馬遜云端服務GPU時間，”Iandola說。
“10個GPU天”的搜尋時間相當于在一臺如衣柜般大小的8 GPU機器上花費一天的時間，”Iandola解釋。
下載文檔
