IBM发布大数据机器学习解决方案,利用GPU一分钟内处理完30GB训练数据集

　　IBM研究院与瑞士洛桑联邦理工学院共同于2017 NIPS Conference发表大数据机器学习解决方案，此方法可以利用GPU在一分钟内处理完30GB的训练数据集，是现存有限内存训练方法的10倍。

　　研究团队表示，机器训练在大数据时代遇到的挑战是动辄TB等级起跳的训练数据，这是常见却又棘手的问题，或许一台有足够内存容量的服务器，就能将所有训练数据都加载内存中进行运算，但是仍要花费数小时，甚至是数周。

　　他们认为，目前如GPU等特殊的运算硬件，的确能有效加速运算，但仅限于运算密集的工作，而非数据密集的任务。 如果想要善用GPU运算密集的优势，便需要把数据预先加载到GPU内存，而目前GPU内存的容量最多只有16GB，对于机器学习实作来说并不算宽裕。

　　批次作业看似是一个可行的方法，将训练数据切分成一块一块，并且依造顺序加载至GPU做模型训练，不过经实验发现，从CPU将数据搬移进GPU的传输成本，完全盖过将数据放进GPU高速运算所带来的好处。 ，IBM研究员CelesTIne Dünner表示，在GPU做机器学习最大的挑战，就是不能把所有的数据都丢进内存里面。

　　为了解决这样的问题，研究团队开发为训练数据集标记重要性的技术，因此训练只使用重要的数据，那多数不必要的数据就不需要送进GPU，藉此大大节省训练的时间。 像是要训练分辨狗与猫图片的模型，一旦模型发现猫跟狗的差异之一为猫耳必定比狗小，系统将保留这项特征，在往后的训练模型中都不再重复回顾这个特征，因此模型的训练会越来越快。 IBM研究员Thomas Parnell表示，这样的特性便于更频繁的训练模型，也能更及时的调整模型。

　　这个技术是用来衡量每个数据点对学习算法的贡献有多少，主要利用二元差距的概念并及时影响调整训练算法。 将这个方法实际应用，研究团队在异质平台（Heterogeneous compute platforms）上，为机器学习训练模型开发了一个全新可重复使用的组件DuHL，专为二元差距的异质学习之用。

　　IBM表示，他们的下一个目标是在云端上提供DuHL，因为目前云端GPU服务的计费单位是小时，如果训练模型的时间从十小时缩短为一小时，那成本节省将非常惊人。

　　（上图）图中显示了三种算法所需的时间，包含DuHL在大规模的支持向量机的表现，所使用的数据集都为30GB的ImageNet数据库，硬件为内存8GB的NVIDIA Quadro M4000 GPU， 图中可以发现GPU序列批次的效率，甚至比单纯CPU的方法还要糟，而DuHL的速度为其他两种方法的10倍以上。