DNN究竟對(duì)AI的發(fā)展有何促進(jìn)作用

隨著基于超級(jí)網(wǎng)絡(luò)的NAS出現(xiàn)，NAS的成本已經(jīng)在下降。因此，現(xiàn)在可能是時(shí)候讓硬件供貨商開(kāi)始尋找自己的優(yōu)化DNN。當(dāng)被問(wèn)及DeepScale是否計(jì)劃透過(guò)合作、授權(quán)或?yàn)锳I硬件公司開(kāi)發(fā)優(yōu)化DNN來(lái)填補(bǔ)這一缺口時(shí)，Iandola說(shuō)，“我們還沒(méi)有真正考慮過(guò)這個(gè)問(wèn)題。”

為了讓AI加速器在最短延遲內(nèi)達(dá)到最佳精準(zhǔn)度，特別是在自動(dòng)駕駛車(chē)中，TFLOP已經(jīng)成為許多所謂大腦芯片的關(guān)鍵指針，然而，有專家認(rèn)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(nèi)達(dá)到最佳精準(zhǔn)度，特別是在自動(dòng)駕駛車(chē)(AV)中，TFLOP(兆次浮點(diǎn)運(yùn)算)已經(jīng)成為許多所謂大腦芯片的關(guān)鍵指針。這場(chǎng)競(jìng)賽的選手包括Nvidia的Xavier、Mobileye的EyeQ5、特斯拉(Tesla)的全自動(dòng)駕駛(FSD)計(jì)算機(jī)芯片，以及NXP-Kalray芯片。

然而，有專家認(rèn)為這種野蠻處理方式并不可持續(xù)。在EE Times的一次獨(dú)家專訪中，DeepScale執(zhí)行長(zhǎng)Forrest Iandola提出其不可持續(xù)的理由，是因?yàn)锳I硬件設(shè)計(jì)師所持有的許多常見(jiàn)假設(shè)已經(jīng)過(guò)時(shí)。隨著AI應(yīng)用日益增多，AI供貨商從中積累更多的經(jīng)驗(yàn)，這導(dǎo)致不同的AI任務(wù)開(kāi)始需求不同的技術(shù)方法。如果事實(shí)的確如此，AI使用者購(gòu)買(mǎi)AI技術(shù)的方式將會(huì)改變，供貨商也必將做出回應(yīng)。

DeepScale執(zhí)行長(zhǎng)Forrest Iandola

Iandola表示，就拿神經(jīng)網(wǎng)絡(luò)架構(gòu)搜尋(NAS)為例，其快速發(fā)展不僅加快優(yōu)化深度神經(jīng)網(wǎng)絡(luò)(DNN)的搜尋過(guò)程，并降低這一過(guò)程的成本。他相信有一種方法可以“在目標(biāo)任務(wù)和目標(biāo)運(yùn)算平臺(tái)上建立最低延遲、最高精準(zhǔn)度的DNN，”而不是依賴于更大的芯片來(lái)處理所有的AI任務(wù)。

Iandola設(shè)想未來(lái)AI芯片或傳感器系統(tǒng)(如計(jì)算機(jī)視覺(jué)、雷達(dá)或光達(dá))供貨商不僅提供硬件，而且還會(huì)提供自己的高速、高效的DNN——為應(yīng)用而設(shè)計(jì)的DNN架構(gòu)。任何供貨商都會(huì)為不同的運(yùn)算平臺(tái)匹配各自所需的DNN，如果事實(shí)真是如此，那AI競(jìng)賽中的所有賭注都將失效。

需要明確的是，目前無(wú)論是芯片公司還是傳感器供貨商都沒(méi)有提出上述前景。甚至很少有人在特定硬件上運(yùn)作有針對(duì)性AI任務(wù)的可能性。

Iandola及其DeepScale團(tuán)隊(duì)最近設(shè)計(jì)了一系列DNN模型，稱為“SqueezeNAS”。在最近的一篇報(bào)告中，他們聲稱，當(dāng)在目標(biāo)平臺(tái)上搜尋延遲時(shí)，SqueezeNAS“可以建立更快、更準(zhǔn)確的模型”。這篇報(bào)告推翻了AI小區(qū)先前對(duì)NAS、乘積累加(MAC)運(yùn)算和將ImageNet精確度應(yīng)用于目標(biāo)任務(wù)時(shí)所做的一些假設(shè)。

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(kāi)發(fā)“微型DNN”。兩位聯(lián)合創(chuàng)始人曾在加州大學(xué)柏克萊大學(xué)分校共事，DeepScale因其快速高效的DNN研究而在科學(xué)界備受推崇。

手工設(shè)計(jì)(Manual designs)

要想真正理解機(jī)器學(xué)習(xí)在計(jì)算機(jī)視覺(jué)方面的最新進(jìn)展的意義，需要了解其發(fā)展歷史。

還記得AlexNet網(wǎng)絡(luò)結(jié)構(gòu)模型在2012年贏得ImageNet影像分類(lèi)競(jìng)賽嗎?這為研究人員打開(kāi)了競(jìng)爭(zhēng)的大門(mén)，讓他們專注于ImageNet研究，并尋找能夠在計(jì)算機(jī)視覺(jué)任務(wù)上達(dá)到最高精準(zhǔn)度的DNN，以此開(kāi)展競(jìng)爭(zhēng)。

ImageNet分類(lèi)錯(cuò)誤統(tǒng)計(jì)。(數(shù)據(jù)源：ResearchGate)

通常，這些計(jì)算機(jī)視覺(jué)研究人員依靠專家工程師，他們會(huì)手工設(shè)計(jì)快速且高精準(zhǔn)度的DNN架構(gòu)。

從2012年到2016年，他們提高了計(jì)算機(jī)視覺(jué)的準(zhǔn)確性，但都是透過(guò)大幅增加執(zhí)行DNN所需資源來(lái)實(shí)現(xiàn)這一目標(biāo)。Iandola解釋，例如，贏得2014年ImageNet比賽冠軍的VGGNet，其使用的運(yùn)算量是AlexNet的10倍，參數(shù)是AlexNet的2倍。

到2016年，學(xué)術(shù)研究界發(fā)現(xiàn)利用增加DNN的資源需求來(lái)提高準(zhǔn)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(yù)算(低于5MB)參數(shù)下ImageNet的“合理的準(zhǔn)確性”。

Squeezenet引發(fā)了兩個(gè)重大變化。相對(duì)于SqueezeNet和其他早期運(yùn)算而言，MobileNetV1能夠大幅度減少M(fèi)AC的數(shù)量，Shufflenetv1是為行動(dòng)端CPU實(shí)現(xiàn)低延遲而優(yōu)化的DNN。

利用機(jī)器學(xué)習(xí)改善機(jī)器學(xué)習(xí)

如前所述，所有這些先進(jìn)DNN都是透過(guò)手工設(shè)計(jì)和調(diào)整神經(jīng)網(wǎng)絡(luò)架構(gòu)開(kāi)發(fā)而成。由于手工流程需要專業(yè)的工程師大量的除錯(cuò)，這很快就成為一個(gè)成本太高、耗時(shí)太久的提議。

因而基于機(jī)器學(xué)習(xí)，實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)自動(dòng)化的理念，NAS應(yīng)運(yùn)而生。NAS是一種搜尋最佳神經(jīng)網(wǎng)絡(luò)架構(gòu)的算法，并改變了AI格局。Iandola稱，“到2018年，NAS已經(jīng)開(kāi)始構(gòu)建能夠以較低延遲運(yùn)行的DNN，并且比以前手工設(shè)計(jì)的DNN產(chǎn)生更高的準(zhǔn)確性。”

強(qiáng)化學(xué)習(xí)(Reinforcement Learning)

隨后，計(jì)算機(jī)視覺(jué)界開(kāi)始使用基于機(jī)器學(xué)習(xí)的強(qiáng)化方法——強(qiáng)化學(xué)習(xí)。換句話說(shuō)，“機(jī)器學(xué)習(xí)得到回饋來(lái)改善機(jī)器學(xué)習(xí)，”Iandola解釋。在基于強(qiáng)化學(xué)習(xí)的NAS下，未經(jīng)訓(xùn)練的強(qiáng)化學(xué)習(xí)獲得建議，指定層數(shù)和參數(shù)來(lái)訓(xùn)練DNN架構(gòu)。一旦對(duì)DNN進(jìn)行訓(xùn)練，訓(xùn)練運(yùn)作的結(jié)果將作為回饋，從而推動(dòng)強(qiáng)化學(xué)習(xí)執(zhí)行更多DNN來(lái)展開(kāi)訓(xùn)練。

經(jīng)證明，基于強(qiáng)化學(xué)習(xí)的NAS是有效的。Google MnasNet就是一個(gè)很好的例子，它在ImageNet延遲和準(zhǔn)確性方面都優(yōu)于ShuffleNet。但它也有一個(gè)關(guān)鍵的弱點(diǎn)：成本太高?；趶?qiáng)化學(xué)習(xí)的搜尋通常需要數(shù)千個(gè)GPU天(GPU day)，以訓(xùn)練數(shù)百乃至數(shù)千個(gè)不同的DNN，才能生成理想的設(shè)計(jì)。“Google負(fù)擔(dān)得起，”Iandola表示，但大多數(shù)其他公司負(fù)擔(dān)不起。

現(xiàn)實(shí)地說(shuō)，一個(gè)基于強(qiáng)化學(xué)習(xí)的NAS要訓(xùn)練一千個(gè)DNN，每個(gè)DNN通常需要一個(gè)GPU天。考慮到目前亞馬遜(Amazon)云端服務(wù)平臺(tái)的價(jià)格，Iandola估計(jì)，一個(gè)使用基于強(qiáng)化學(xué)習(xí)的NAS搜尋所花費(fèi)的云端運(yùn)算時(shí)間可能耗資高達(dá)7萬(wàn)美元。

超級(jí)網(wǎng)絡(luò)(Supernetwork)

在這種情況下，去年底出現(xiàn)了一種新的NAS類(lèi)型，稱為基于“超級(jí)網(wǎng)絡(luò)”的搜尋。它的典型代表包括FBNet(Facebook柏克萊網(wǎng)絡(luò))和SqueezNet。

搜尋時(shí)間減少100倍。(數(shù)據(jù)源：DeepScale)

Iandola解釋：“超級(jí)網(wǎng)絡(luò)采用一步到位的方法，而不是培訓(xùn)1,000個(gè)獨(dú)立的DNN。”例如，一個(gè)DNN有20個(gè)模塊，每個(gè)模塊有13個(gè)選項(xiàng)。若為每個(gè)模塊選擇一個(gè)最喜歡的選項(xiàng)，“你正在以10個(gè)DNN訓(xùn)練運(yùn)作花費(fèi)為代價(jià)，一次性訓(xùn)練一個(gè)匯集了千兆種DNN設(shè)計(jì)的DNN，”Iandola解釋。

結(jié)果顯示，基于超級(jí)網(wǎng)絡(luò)的NAS可以在10個(gè)GPU天的搜尋時(shí)間內(nèi)建立DNN，其延遲和準(zhǔn)確性優(yōu)于MnasNet。“這讓搜尋成本從7萬(wàn)多美元減少到大約700美元的亞馬遜云端服務(wù)GPU時(shí)間，”Iandola說(shuō)。

“10個(gè)GPU天”的搜尋時(shí)間相當(dāng)于在一臺(tái)如衣柜般大小的8 GPU機(jī)器上花費(fèi)一天的時(shí)間，”Iandola解釋。

基于強(qiáng)化學(xué)習(xí)與基于超級(jí)網(wǎng)絡(luò)的NAS比較。(數(shù)據(jù)源：DeepScale)