資訊專欄INFORMATION COLUMN
摘要：研究將會出現(xiàn)在年的會議上，會議將于月在的舉辦。和大學的研究生證明，哈希技術是一種真實的數(shù)據(jù)索引方法，可以大大減少深度學習的計算消耗。深度學習網(wǎng)絡的基礎建造模塊是一個人造神經(jīng)元。據(jù)報道，谷歌正在嘗試訓練一個擁有億個神經(jīng)元的網(wǎng)絡。
美國萊斯大學（Rice University ）的計算機科學家通過使用被廣泛使用的快速數(shù)據(jù)查找技術，以大幅度減少深度學習所必需的計算量，進而大大地節(jié)約了能源和時間。
萊斯大學計算機科學家已經(jīng)采用了廣泛使用的快速數(shù)據(jù)查找技術，以減少計算量，從而減少了深度學習所需的能量和時間，這是一種計算強大的機器學習形式。
“這能運用到任何一種深度學習架構中，并且，其技巧是亞線性擴展的，也就是說，運用的神經(jīng)網(wǎng)絡越大，能節(jié)省的計算資源就會越多”，萊斯大學計算機科學系助理教授、該研究的第一作者 Anshumali Shrivastava 介紹說。
研究將會出現(xiàn)在2017年的 KDD 會議上，會議將于8月在Nova Scotia的Halifax 舉辦。這一研究解決了谷歌、Facebook 和 微軟等這些爭先恐后地希望搭建、訓練和部署大規(guī)模的深度神經(jīng)網(wǎng)絡的科技巨頭最緊迫的需求之一。它們希望用深度學習來滿足越來越多的產(chǎn)品需求，如自動駕駛汽車，語言翻譯和智能回復電子郵件等。
Shrivastava和 Rice 大學的研究生 Ryan Spring 證明，“哈希”（Hashing）技術是一種真實的數(shù)據(jù)索引方法，可以大大減少深度學習的計算消耗。“哈?！?涉及使用智能散列函數(shù)將數(shù)據(jù)轉換為可管理的小數(shù)，稱為哈希。哈希被存儲在表格中，其運行方式就好像紙質(zhì)書中的索引。
“我們的方法混合了兩種技術：一個局部敏感哈希 clever 變量，以及一個稀疏的反向傳播。這樣就能在不大量地降低準確率的情況下，減少必要的計算消耗。Spring 說，“比如，在小規(guī)模的測試中，我們發(fā)現(xiàn)在標準方法下，能在準確率損失控制在1%的情況下，將計算能耗減少95%?！?/p>
深度學習網(wǎng)絡的基礎建造模塊是一個人造神經(jīng)元。雖然1950年代，生物神經(jīng)元的首先被發(fā)現(xiàn)，但是，人造神經(jīng)元只是一個數(shù)學函數(shù)和等式，建立在大量的數(shù)據(jù)之上，可以轉化為輸出。
在機器學習中，所有的神經(jīng)元都從一張白紙的“空”狀態(tài)開始，在訓練過程中變得特異化（specialized）。在訓練期間，網(wǎng)絡被“給予”大量數(shù)據(jù)，每個神經(jīng)元都成為識別數(shù)據(jù)中特定模式的專家。在較低層，神經(jīng)元執(zhí)行最簡單的任務。例如，在照片識別應用中，低級神經(jīng)元可能識別來自暗處的光線或物體的邊緣。這些神經(jīng)元的輸出被傳遞到網(wǎng)絡下一層的神經(jīng)元中，這些神經(jīng)元又會以其特有的方式搜索它們會識別的特征。
只有幾層的神經(jīng)網(wǎng)絡就可以學習識別人臉、各種犬類、停車標志和校車。
Shrivastava 說：“向網(wǎng)絡的每層增加更多的神經(jīng)元可以增強其表現(xiàn)力（expressive power），而且我們想要網(wǎng)絡有多大這一點沒有上限?！?/p>
據(jù)報道，谷歌正在嘗試訓練一個擁有 1370 億個神經(jīng)元的網(wǎng)絡。相比之下，訓練和部署這樣的網(wǎng)絡需要的計算力是有限的。
Shrivastava 說，目前使用的大多數(shù)機器學習算法都是 30 到 50 年前開發(fā)的，在設計的時候沒有考慮到計算的復雜性。但是，有了大數(shù)據(jù)之后，對于計算周期、能源和內(nèi)存等資源來說，就存在著基本的限制，而“我們的實驗室側重于解決這些限制?！?/p>
Spring 表示，在大規(guī)模深度網(wǎng)絡中，hashing 帶來的計算和節(jié)能將會更大。
Spring 說，由于他們利用大數(shù)據(jù)中固有的稀疏性，因此能量的節(jié)省會隨著網(wǎng)絡規(guī)模的增加而增加?！凹僭O一個深度網(wǎng)絡有 10 億個神經(jīng)元，對于任何一個給定輸入——例如一張狗的圖片——只有少部分神經(jīng)元會被激活。
在數(shù)據(jù)科學的術語中，這就叫做稀疏性（sparsity），而正因為有了稀疏性，他們的方法節(jié)省的能量會隨著網(wǎng)絡規(guī)模的擴大而增加。
“所以，1000 個神經(jīng)元的網(wǎng)絡我們能節(jié)能 95％，根據(jù)數(shù)學推導，10 億個神經(jīng)元的網(wǎng)絡我們就能節(jié)能 99%?！?/p>
原文：https://phys.org/news/2017-06-scientists-slash-deep.html#jCp
Ryan Spring (左) 和 Anshumali Shrivastava.
通過隨機哈希實現(xiàn)可擴展、可持續(xù)的深度學習
這篇論文《通過隨機哈希實現(xiàn)可擴展、可持續(xù)的深度學習》（Scalable and Sustainable Deep Learning via Randomized Hashing），已經(jīng)作為 Oral 被 KDD 2017 接收。
雖然論文的同行評議版本要到 KDD 召開時才能得知，通過網(wǎng)上的資料，我們可以看到去年底 Spring 在 arXiv 上傳的論文預印版（地址：https://arxiv.org/pdf/1602.08194.pdf）。
為了從復雜的數(shù)據(jù)集中學習，當前深度學習框架越來越大。這些框架需要進行巨大的矩陣乘法運算來訓練數(shù)百萬個參數(shù)。與此相反，另一個呈增長的趨勢是將深度學習帶入低功耗、嵌入式設備。為了訓練和測試深度網(wǎng)絡而進行的相關矩陣運算，從計算和能量消耗的角度看是非常昂貴的。我們提出了一種基于 Hashing 的新技術，大幅減少了訓練和測試神經(jīng)網(wǎng)絡所需的計算量。我們的方法結合了最近提出的兩大概念，即自適應 dropout 和較大內(nèi)部搜索（MIPS）隨機 Hashing，有效選擇網(wǎng)絡中具有較高激活的節(jié)點。
這一新深度學習算法通過在（數(shù)量明顯更少的）稀疏節(jié)點上運行，減少前向和后向傳播步驟的總體計算成本。因此，我們的算法在保持原始模型平均精度 1％ 的同時，僅使用總乘法的 5％。
論文提出的基于 Hashing 的反向傳播算法，一個獨特屬性是 update 總是稀疏的。而由于稀疏梯度 update，我們的算法非常適合異構和并行訓練。通過在幾個真實數(shù)據(jù)集上進行嚴格的實驗評估，我們證明了提出的算法具有可擴展性和可持續(xù)性（能量效率高）。
神經(jīng)網(wǎng)絡進行隨機哈希的視覺展示
圖1：從圖中可見，神經(jīng)網(wǎng)絡 Low-Rank 假設需要的參數(shù)數(shù)量自然會更少
圖2：對神經(jīng)網(wǎng)絡進行隨機哈希的視覺展示。① 建一個哈希表，方法是對每個隱藏層（一次迭代）的權重做哈希。② 使用該層的隨機哈希函數(shù)對該層的輸入做哈希。③ 查詢這一層的哈希表，獲取激活數(shù)據(jù)集 AS。④ 僅在激活神經(jīng)元上做前向和后向傳播。⑤ 更新 AS 權重和哈希表。
56 核的英特爾 Xeon ES-2697 處理器上的性能比較
圖7：一個標準網(wǎng)絡使用我們的方法（隨機哈希）和使用異構隨機梯度下降，在 56 核的英特爾 Xeon ES-2697 處理器上的性能比較。我們依次在 MNIST、NORB、Convex 和 Rectangles 數(shù)據(jù)集上進行了測試。所有網(wǎng)絡的初始值都是一樣的。
圖8：新方法（LSH-5%）使用異構隨機梯度下降每步（per epoch）獲得的掛鐘時間。我們用一個有 3 層隱藏層的網(wǎng)絡，依次在 MNIST、NORB、Convex 和 Rectangles 數(shù)據(jù)集上進行了測試。Convex 和 Rectangles 數(shù)據(jù)集上增量較少，是因為在整個過程中可用的訓練樣本不夠多。實驗中只使用了 5% 的標準網(wǎng)絡計算量。
歡迎加入本站公開興趣群商業(yè)智能與數(shù)據(jù)分析群
興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識
QQ群：81035754
文章版權歸作者所有，未經(jīng)允許請勿轉載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉載請注明本文地址：http://systransis.cn/yun/4551.html
摘要：和的得分均未超過右遺傳算法在也表現(xiàn)得很好。深度遺傳算法成功演化了有著萬自由參數(shù)的網(wǎng)絡，這是通過一個傳統(tǒng)的進化算法演化的較大的神經(jīng)網(wǎng)絡。 Uber 涉及領域廣泛，其中許多領域都可以利用機器學習改進其運作。開發(fā)包括神經(jīng)進化在內(nèi)的各種有力的學習方法將幫助 Uber 發(fā)展更安全、更可靠的運輸方案。遺傳算法——訓練深度學習網(wǎng)絡的有力競爭者我們驚訝地發(fā)現(xiàn)，通過使用我們發(fā)明的一種新技術來高效演化 DNN，...
摘要：毫無疑問，深度學習將驅動在公司中的應用。在其價值評估和策略評估上使用的就是深度學習。端到端的深度學習是一個令人著迷的研究領域，但是迄今為止混合系統(tǒng)在應用領域會更有效率。目前專注于深度學習模式，方法和戰(zhàn)略的研究。 在之前的博客中，我曾預言過未來幾年的發(fā)展趨勢。我記得上一篇博客的內(nèi)容是《2011年軟件開發(fā)趨勢和相關預言》（Software DevelopmentTrends and Predic...
摘要：卷積神經(jīng)網(wǎng)絡原理淺析卷積神經(jīng)網(wǎng)絡，最初是為解決圖像識別等問題設計的，當然其現(xiàn)在的應用不僅限于圖像和視頻，也可用于時間序列信號，比如音頻信號文本數(shù)據(jù)等。卷積神經(jīng)網(wǎng)絡的概念最早出自世紀年代科學家提出的感受野。 卷積神經(jīng)網(wǎng)絡原理淺析 ?卷積神經(jīng)網(wǎng)絡（Convolutional?Neural?Network，CNN）最初是為解決圖像識別等問題設計的，當然其現(xiàn)在的應用不僅限于圖像和視頻，也可用于時間序...
摘要：在學習過程中，神經(jīng)網(wǎng)絡的突觸權重會以一種有序的方式進行修改，從而實現(xiàn)所需的目標。中間單元的數(shù)量被稱為網(wǎng)絡所用的片的數(shù)量。 隨著神經(jīng)網(wǎng)絡的進化，許多過去曾被認為不可想象的任務現(xiàn)在也能夠被完成了。圖像識別、語音識別、尋找數(shù)據(jù)集中的深度關系等任務現(xiàn)在已經(jīng)變得遠遠更加簡單了。在此向這一領域的杰出的研究者致以真誠的謝意，正是他們的發(fā)現(xiàn)和成果幫助我們利用上了神經(jīng)網(wǎng)絡的真正力量。如果你真正對追求機器學習這...
摘要：前言阿里巴巴機器智能實驗室線下智能團隊從年底開始涉及線下智能領域，從算法工程產(chǎn)品化業(yè)務落地多個方面入手，與合作伙伴們一起取得了一些小小的成績。目前，該套工具作為推薦的量化工具廣泛應用在阿里集團內(nèi)多個線下業(yè)務場景中。 showImg(https://segmentfault.com/img/remote/1460000019246850); 阿里妹導讀：AI 技術已經(jīng)從互聯(lián)網(wǎng)走向零售、...
閱讀 3226·2021-11-25 09:43
閱讀 3221·2021-11-23 09:51
閱讀 3532·2019-08-30 13:08
閱讀 1585·2019-08-29 12:48
閱讀 3606·2019-08-29 12:26
閱讀 414·2019-08-28 18:16
閱讀 2578·2019-08-26 13:45
閱讀 2445·2019-08-26 12:15
