深度学习的发展会带给硬件架构怎样的影响？

如今，只要在网络上搜索“深度学习”算法，都会显示很多相关的信息，在过去的数十年里，人工智能已经越来越成功地应用于生物识别、语音识别、视频识别、翻译等。国内更是诞生了诸如旷视科技、商汤科技、极链科技Video++、依图科技等优秀人工智能初创企业。

设计人员将大量高度并行的计算加载到硬件上，尤其是最初为快速图像渲染而开发的图形处理单元（GPU）。这些芯片特别适合于计算密集型“训练”阶段，该阶段使用许多经过验证的例子来调整系统参数。在“推理”阶段，其中部署深度学习处理的输入，需要更大的存储器访问和快速响应，目前已经可以使用GPU实现。

深度学习与GPU

为了快速应对增长的需求，许多公司都正在开发能够直接赋予深度学习能力的硬件，迫切的需要进行推理以及培训。近年来随着深度学习的迅速发展，卷积神经网络（Convolutional Neural Network）被广泛使用，特别是在图像识别场景中的应用。为了满足更多场景应用，需要有一种能够根据实际场景需求替换不同CNN网络模型的系统框架。在过去的20年里，视频、游戏等产业推动了GPU的进步，其绘制图形所需的矩阵正是深度学习所需的计算类型。

GPU技术的进步则是推动了神经网络的发展，因为在没有GPU的情况下训练深度学习模型在大多数情况下会非常缓慢。许多人把生产中深度学习的想法想的过于复杂，我们可以在生产中使用CPU和选择的网络服务器进行深入学习。生产中进行训练是非常罕见的。即使你想每天更新你的模型权重，也不需要在生产中进行训练。这意味着你只是在生产过程中进行“推理”，比“培训”更快更容易。你可以使用任何你喜欢的Web服务器，并将其设置为简单的API调用。如果能够有效地批量处理数据，GPU只会提供更快的速度。

GPU在处理图形的时候，从最初的设计就能够执行并行指令，从一个GPU核心收到一组多边形数据，到完成所有处理并输出图像可以做到完全独立。由于最初GPU就采用了大量的执行单元，这些执行单元可以轻松的加载并行处理，而不像CPU那样的单线程处理。另外，现代的GPU也可以在每个指令周期执行更多的单一指令。所以GPU比CPU更适合深度学习的大量矩阵、卷积运算的需求。深度学习的应用与其原先的应用需求颇为类似。GPU厂家顺理成章的在深度学习，找到了新增长点。

深度学习发展是否出现“瓶颈”

我们之所以使用GPU加速深度学习，是因为深度学习所要计算的数据量异常庞大，用传统的计算方式需要漫长的时间。但如果未来深度学习的数据量有所下降，或者说我们不能提供给深度学习所需要的足够数据量，是否就意味着深度学习也要进入“瓶颈”了呢?

做深度神经网络训练需要大量模型，然后才能实现数学上的收敛。深度学习要真正接近成人的智力，它所需要的神经网络规模非常庞大，它所需要的数据量，会比我们做语言识别、图像处理要多得多。假设说，我们发现我们没有办法提供这样的数据，则很有可能出现瓶颈。

目前，深度学习还在蓬勃发展往上的阶段。比如我们现阶段主要做得比较成熟的语音、图像、视频方面，整个的数据量还是在不断的增多的，网络规模也在不断的变复杂。可以说深度学习是GPU计算发展的关键，谁能找到最适合深度学习的模式，谁就是胜利者。

结语：

深度学习经过这么长时间的发展，在网络的种类、复杂程度和处理的信息量上都发生了天翻地覆的变化。当前，网络种类上，从早期的 AlexNet 和 GoogleNet 到现在各企业推出的 GAN以及各种深度强化学习的网络，它们各自网络结构都有不同，开发者在适应最新的网络上常常会遇到一些麻烦。处理的信息量也在成倍地增长，算力需求越来越高的情况下，也将对搭载处理单元的硬件有着更高的要求。

本文系投稿稿件，作者：张康康；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。