DNN究竟对AI的发展有何促进作用

随着基于超级网络的NAS出现，NAS的成本已经在下降。因此，现在可能是时候让硬件供货商开始寻找自己的优化DNN。当被问及DeepScale是否计划透过合作、授权或为AI硬件公司开发优化DNN来填补这一缺口时，Iandola说，“我们还没有真正考虑过这个问题。”

为了让AI加速器在最短延迟内达到最佳精准度，特别是在自动驾驶车中，TFLOP已经成为许多所谓大脑芯片的关键指针，然而，有专家认为这种野蛮处理方式并不可持续……

为了让人工智能(AI)加速器在最短延迟内达到最佳精准度，特别是在自动驾驶车(AV)中，TFLOP(兆次浮点运算)已经成为许多所谓大脑芯片的关键指针。这场竞赛的选手包括Nvidia的Xavier、Mobileye的EyeQ5、特斯拉(Tesla)的全自动驾驶(FSD)计算机芯片，以及NXP-Kalray芯片。

然而，有专家认为这种野蛮处理方式并不可持续。在EE Times的一次独家专访中，DeepScale执行长Forrest Iandola提出其不可持续的理由，是因为AI硬件设计师所持有的许多常见假设已经过时。随着AI应用日益增多，AI供货商从中积累更多的经验，这导致不同的AI任务开始需求不同的技术方法。如果事实的确如此，AI使用者购买AI技术的方式将会改变，供货商也必将做出回应。

DeepScale执行长Forrest Iandola

Iandola表示，就拿神经网络架构搜寻(NAS)为例，其快速发展不仅加快优化深度神经网络(DNN)的搜寻过程，并降低这一过程的成本。他相信有一种方法可以“在目标任务和目标运算平台上建立最低延迟、最高精准度的DNN，”而不是依赖于更大的芯片来处理所有的AI任务。

Iandola设想未来AI芯片或传感器系统(如计算机视觉、雷达或光达)供货商不仅提供硬件，而且还会提供自己的高速、高效的DNN——为应用而设计的DNN架构。任何供货商都会为不同的运算平台匹配各自所需的DNN，如果事实真是如此，那AI竞赛中的所有赌注都将失效。

需要明确的是，目前无论是芯片公司还是传感器供货商都没有提出上述前景。甚至很少有人在特定硬件上运作有针对性AI任务的可能性。

Iandola及其DeepScale团队最近设计了一系列DNN模型，称为“SqueezeNAS”。在最近的一篇报告中，他们声称，当在目标平台上搜寻延迟时，SqueezeNAS“可以建立更快、更准确的模型”。这篇报告推翻了AI小区先前对NAS、乘积累加(MAC)运算和将ImageNet精确度应用于目标任务时所做的一些假设。

DeepScale于2015年由Iandola和Kurt Keutzer教授共同创立，是一家位于加州山景城的新创公司，致力于开发“微型DNN”。两位联合创始人曾在加州大学柏克莱大学分校共事，DeepScale因其快速高效的DNN研究而在科学界备受推崇。

手工设计(Manual designs)

要想真正理解机器学习在计算机视觉方面的最新进展的意义，需要了解其发展历史。

还记得AlexNet网络结构模型在2012年赢得ImageNet影像分类竞赛吗?这为研究人员打开了竞争的大门，让他们专注于ImageNet研究，并寻找能够在计算机视觉任务上达到最高精准度的DNN，以此开展竞争。

ImageNet分类错误统计。(数据源：ResearchGate)

通常，这些计算机视觉研究人员依靠专家工程师，他们会手工设计快速且高精准度的DNN架构。

从2012年到2016年，他们提高了计算机视觉的准确性，但都是透过大幅增加执行DNN所需资源来实现这一目标。Iandola解释，例如，赢得2014年ImageNet比赛冠军的VGGNet，其使用的运算量是AlexNet的10倍，参数是AlexNet的2倍。

到2016年，学术研究界发现利用增加DNN的资源需求来提高准确性“不可持续”。SqueezeNet便是研究人员寻找的众多替代方案之一，由Iandola及其同事在2016年发表，它展示出在微小预算(低于5MB)参数下ImageNet的“合理的准确性”。

Squeezenet引发了两个重大变化。相对于SqueezeNet和其他早期运算而言，MobileNetV1能够大幅度减少MAC的数量，Shufflenetv1是为行动端CPU实现低延迟而优化的DNN。

利用机器学习改善机器学习

如前所述，所有这些先进DNN都是透过手工设计和调整神经网络架构开发而成。由于手工流程需要专业的工程师大量的除错，这很快就成为一个成本太高、耗时太久的提议。

因而基于机器学习，实现人工神经网络设计自动化的理念，NAS应运而生。NAS是一种搜寻最佳神经网络架构的算法，并改变了AI格局。Iandola称，“到2018年，NAS已经开始构建能够以较低延迟运行的DNN，并且比以前手工设计的DNN产生更高的准确性。”

强化学习(Reinforcement Learning)

随后，计算机视觉界开始使用基于机器学习的强化方法——强化学习。换句话说，“机器学习得到回馈来改善机器学习，”Iandola解释。在基于强化学习的NAS下，未经训练的强化学习获得建议，指定层数和参数来训练DNN架构。一旦对DNN进行训练，训练运作的结果将作为回馈，从而推动强化学习执行更多DNN来展开训练。

经证明，基于强化学习的NAS是有效的。Google MnasNet就是一个很好的例子，它在ImageNet延迟和准确性方面都优于ShuffleNet。但它也有一个关键的弱点：成本太高。基于强化学习的搜寻通常需要数千个GPU天(GPU day)，以训练数百乃至数千个不同的DNN，才能生成理想的设计。“Google负担得起，”Iandola表示，但大多数其他公司负担不起。

现实地说，一个基于强化学习的NAS要训练一千个DNN，每个DNN通常需要一个GPU天。考虑到目前亚马逊(Amazon)云端服务平台的价格，Iandola估计，一个使用基于强化学习的NAS搜寻所花费的云端运算时间可能耗资高达7万美元。

超级网络(Supernetwork)

在这种情况下，去年底出现了一种新的NAS类型，称为基于“超级网络”的搜寻。它的典型代表包括FBNet(Facebook柏克莱网络)和SqueezNet。

搜寻时间减少100倍。(数据源：DeepScale)

Iandola解释：“超级网络采用一步到位的方法，而不是培训1,000个独立的DNN。”例如，一个DNN有20个模块，每个模块有13个选项。若为每个模块选择一个最喜欢的选项，“你正在以10个DNN训练运作花费为代价，一次性训练一个汇集了千兆种DNN设计的DNN，”Iandola解释。

结果显示，基于超级网络的NAS可以在10个GPU天的搜寻时间内建立DNN，其延迟和准确性优于MnasNet。“这让搜寻成本从7万多美元减少到大约700美元的亚马逊云端服务GPU时间，”Iandola说。

“10个GPU天”的搜寻时间相当于在一台如衣柜般大小的8 GPU机器上花费一天的时间，”Iandola解释。

基于强化学习与基于超级网络的NAS比较。(数据源：DeepScale)