内容简介：更简单、更快捷：探讨深度学习的未来发展步伐
【51CTO.com快译】机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。
如果论及哪一个机器学习的领域最为热门，非人工智能莫属，这就是深度学习。深度学习框架又名深度神经网络，一个复杂的模式识别系统，可以实现从自动语言翻译到图像识别的功能。
深度学习需要收集大量的数据，并且拥有处理这些数据的能力，做到这些并非易事，但深度学习技术正在蓬勃发展的道路上，并且已经突破了很多障碍。深度学习对于分析非结构化数据具有非常大的优势。
各大软件巨头们也在酝酿一场深度学习技术的争霸战，比如谷歌的TensorFlow项目与百度的paddle。多个软件框架之间的竞争蓄势待发。软件和硬件间的战争开始了。有预言称，专门的硬件设计模型和服务会是深度学习的下一个大的进步，或许有更好、更智能、更高效的算法，无需硬件的辅助就可以把功能服务推向更多人。问题也由此产生，我们中的大多数人都能逐渐理解和接受深度学习技术吗？还是我们一直需要计算机博士们来把握这项技术工作？
微软比谷歌更紧张
一项重要技术展示给世界的好办法，就是引起技术巨头公司们的兴趣。像过去的NoSQL、Hadoop和Spark。在深度学习框架领域，谷歌的TensorFlow已经发展得十分可观，而谷歌云和谷歌专有硬件的研发也紧随其后。作为竞争对手，微软反击谷歌的杀手锏是认知 工具 包，也叫CNTK。CNTK2.0版在多个层面挑战TensorFlow。CNTK现在提供JavaAPI，可接受Spark处理框架，同时支持Keras神经网络图书馆代码，这实际上就是TensorFlow的前端。这样一来，Keras的用户就可以避开谷歌的解决方案而转向微软。
对于谷歌TensorFlow，微软最直接、最有意义的应对方法是让CNTK更快速和准确，并且使PythonAPI提供高级别和低级别的功能。这是微软想出来的最佳应对策略。
当然，所谓的快速和准确并不是吹牛，如果微软的系统比TensorFlow更快，那便意味着人们有更多的选择而不只是去砸硬件设备。比如，
硬件：Graphcore和波计算
谷歌TPU的一个缺点是，他们只在谷歌云中有效。对于那些已经投资了GCP的人来说，这可能不是个问题，但是对于大多数人，这是一个潜在的"阻断剂"。为深入学习专用硅，如NVIDIA的GPU需要的附加条件较少。几家公司最近推出了专门的硅优于GPU深度学习的应用。启动Graphcore深度学习处理器，专门的硅片设计过程中采用神经网络的图形数据。该公司称面临的挑战是创建硬件优化，以运行循环或相互连接的网络和其他网络。
一种Graphcore加速的方法是保持网络模型尽可能接近硅，避免对外部存储器的往返访问。尽可能的避免数据运动是加快机器学习的一种常用方法，但Graphcore以这种方式到达另一个层次。
波计算是深度学习专用硬件的另一种启用方式。像Graphcore一样，公司认为GPU的发展和它自身固有的局限性有很大关系，波计算的计划是建立"数据流的设备，"机架式系统使用定制芯片，可以提供2.9petaops计算（"petaops"是定点运算，不是"千万亿次的"浮点运算）。这样的运算速度超出了谷歌TPU提供的92teraops的订单。
brodmann17：小模型，高速度
鉴于Graphcore和波计算的硬件要优于TPU，其他第三方的目的是展示框架和更好的运算法则，可以带来更有力的机械学习。有些用于定位缺乏访问处理区域，例如智能手机。谷歌已经针对TensorFlow在移动设备上的应用作出升级，一个名为Brodmann17的工具试图在智能手机级硬盘上占用5%的资源(包括计算、存储和数据)。
该公司的做法是由首席执行官和创始人AdiPinhas提出的，用现有的标准神经网络模块创建一个更小的模型。Pinhas说，相比其他流行的深度学习架构，小的模型数量少于训练数据的10%。但在相同的时间里需要一些培训。最终的目的是对速度的精确权衡，更快的预测时间，功耗更低，占用的内存少。
擦出新火花
今年早些时候，InfoWorld撰稿人JamesKobielus预言深度学习框架之间的战火渐起。雅虎已经把TensorFlow引向Spark，但是Spark的主要供应商Databricks现在向Spark提供自己的开源软件包来整合深度学习框架。全民深度学习？
Databricks曾经在自己的新闻稿里提到"民主化的人工智能和数据科学"。这样的论调意味着什么呢？微软认为他们的CNTK2.0可以成为一项有力的举措，使AI技术无处不在的面向所有人。深度学习固有的复杂性并不是唯一要克服的障碍。深度学习的整个工作流程仍然是一个点对点的工作流程。这里有需要填补的空白，所有平台、框架和云背后的商业机构都在竞相填补端到端的解决方案。关于深度学习技术，下一步的关键将不仅仅是找到一个真正的深层学习框架。而是找到一个统一的工作流程。这样一来，不管是谁在开发运行项目，其深度学习框架都可以有据可循的进行开发和研究。作者：SerdarYegulalp
原文链接：
http://www.infoworld.com/article/3199950/artificial-intelligence/deep-learnings-next-steps-custom-hardware-better-frameworks-easier-on-ramps.html
刘妮娜译
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- 紧追亚马逊步伐，谷歌云推出测试版深度学习载体
- 紧跟 GNOME 步伐，Freedesktop.org 迁移至 GitLab
- 2020 年 Go 语言盘点：新冠大流行阻挡不了 Go 演进的步伐
- 华为以政务外网IPv6+演进EVP方案加快数字政府建设步伐
- 沈向洋：从深度学习到深度理解
- 深度重建：基于深度学习的图像重建
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Python金融衍生品大数据分析：建模、模拟、校准与对冲
【德】Yves Hilpisch（伊夫·希尔皮斯科） / 蔡立耑 / 电子工业出版社 / 2017-8 / 99.00
Python 在衍生工具分析领域占据重要地位，使机构能够快速、有效地提供定价、交易及风险管理的结果。《Python金融衍生品大数据分析：建模、模拟、校准与对冲》精心介绍了有效定价期权的四个领域：基于巿场定价的过程、完善的巿场模型、数值方法及技术。书中的内容分为三个部分。第一部分着眼于影响股指期权价值的风险，以及股票和利率的相关实证发现。第二部分包括套利定价理论、离散及连续时间的风险中性定价，并介绍......一起来看看 《Python金融衍生品大数据分析：建模、模拟、校准与对冲》 这本书的介绍吧!
