隨著基于超級網(wǎng)絡(luò)的NAS出現(xiàn)，NAS的成本已經(jīng)在下降。因此，現(xiàn)在可能是時候讓硬件供貨商開始尋找自己的優(yōu)化DNN。當(dāng)被問及DeepScale是否計劃透過合作、授權(quán)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。”

為了讓AI加速器在最短延遲內(nèi)達到最佳精準度，特別是在自動駕駛車中，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(jīng)成為許多所謂大腦芯片的關(guān)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(shè)計師所持有的許多常見假設(shè)已經(jīng)過時。隨著AI應(yīng)用日益增多，AI供貨商從中積累更多的經(jīng)驗，這導(dǎo)致不同的AI任務(wù)開始需求不同的技術(shù)方法。如果事實的確如此，AI使用者購買AI技術(shù)的方式將會改變，供貨商也必將做出回應(yīng)。

DeepScale執(zhí)行長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(wù)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(wù)。

Iandola設(shè)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(yīng)用而設(shè)計的DNN架構(gòu)。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(wù)的可能性。

Iandola及其DeepScale團隊最近設(shè)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(dāng)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(yīng)用于目標任務(wù)時所做的一些假設(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（Manual designs）

要想真正理解機器學(xué)習(xí)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(luò)結(jié)構(gòu)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(wù)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(shè)計快速且高精準度的DNN架構(gòu)。

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(xué)術(shù)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(yù)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(xué)習(xí)改善機器學(xué)習(xí)

如前所述，所有這些先進DNN都是透過手工設(shè)計和調(diào)整神經(jīng)網(wǎng)絡(luò)架構(gòu)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(xué)習(xí)，實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)設(shè)計自動化的理念，NAS應(yīng)運而生。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)開始構(gòu)建能夠以較低延遲運行的DNN，并且比以前手工設(shè)計的DNN產(chǎn)生更高的準確性?！?/p>

強化學(xué)習(xí)（Reinforcement Learning）

隨后，計算機視覺界開始使用基于機器學(xué)習(xí)的強化方法——強化學(xué)習(xí)。換句話說，“機器學(xué)習(xí)得到回饋來改善機器學(xué)習(xí)，”Iandola解釋。在基于強化學(xué)習(xí)的NAS下，未經(jīng)訓(xùn)練的強化學(xué)習(xí)獲得建議，指定層數(shù)和參數(shù)來訓(xùn)練DNN架構(gòu)。一旦對DNN進行訓(xùn)練，訓(xùn)練運作的結(jié)果將作為回饋，從而推動強化學(xué)習(xí)執(zhí)行更多DNN來展開訓(xùn)練。

經(jīng)證明，基于強化學(xué)習(xí)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(guān)鍵的弱點：成本太高?；趶娀瘜W(xué)習(xí)的搜尋通常需要數(shù)千個GPU天（GPU day），以訓(xùn)練數(shù)百乃至數(shù)千個不同的DNN，才能生成理想的設(shè)計?！癎oogle負擔(dān)得起，”Iandola表示，但大多數(shù)其他公司負擔(dān)不起。

現(xiàn)實地說，一個基于強化學(xué)習(xí)的NAS要訓(xùn)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(wù)平臺的價格，Iandola估計，一個使用基于強化學(xué)習(xí)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(luò)（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(luò)”的搜尋。它的典型代表包括FBNet（Facebook柏克萊網(wǎng)絡(luò)）和SqueezNet。

搜尋時間減少100倍。（數(shù)據(jù)源：DeepScale）

Iandola解釋：“超級網(wǎng)絡(luò)采用一步到位的方法，而不是培訓(xùn)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(xùn)練運作花費為代價，一次性訓(xùn)練一個匯集了千兆種DNN設(shè)計的DNN，”Iandola解釋。

結(jié)果顯示，基于超級網(wǎng)絡(luò)的NAS可以在10個GPU天的搜尋時間內(nèi)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(wù)GPU時間，”Iandola說。

“10個GPU天”的搜尋時間相當(dāng)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。

責(zé)任編輯：ct