江苏龙网

  1. 首页 > 人文 > >

[人工智能]从算法爬坡到 AI 基建，旷视“天元”开源背后的 AI 生产力破局( 二 )


除了最新开源的天元（MegEngine） ， 目前国际主流的几种深度学习框架主要包含谷歌大脑2015年开源TensorFlow、谷歌的人工智能研究员Fran?ois Chollet 2015年推出的Keras、Amazon 2015年底开源的MXNet、Facebook 2016年开源的PyTorch、微软2016年开源的CNTK、百度2016年开源的飞桨等 。 天元（MegEngine）则从实际开发经验中的几个痛点入手 ， 在性能上表现不俗：
1. 训练推理一体化
旷视天元既可支持研究员进行算法训练 ， 同时训练得到的模型和产物是可以直接进行用于产品的推理、封装 。 省去模型转换不仅极大简化算法开发流程 ， 更实现了速度和精度的无损迁移 ， 即使是模型的跨设备部署 ， 天元依然能够做到精度的对齐 。 在部署时 ， 天元还可以帮助开发者自动删除冗余代码 ， 实现模型自动优化 。
[人工智能]从算法爬坡到 AI 基建，旷视“天元”开源背后的 AI 生产力破局
本文插图
2. 动静合一
静态图性能高、占用资源少且易于部署；动态图简单灵活、方便调试且易于上手 。 旷视天元整合了动态图与静态图各自的优势 ， 在充分利用动态图模型训练优势时 ， 通过动静态一键转换功能 ， 以静态图的形式完成生产和部署；此外 ， 天元还支持动静态的混合编程 ， 灵活性更强 。
[人工智能]从算法爬坡到 AI 基建，旷视“天元”开源背后的 AI 生产力破局
本文插图
3. 兼容并包
旷视天元具备Pythonic的API ， 这对习惯用Python进行传统机器学习的开发者来说非常友好 ， 学习成本更低、易于上手 ， 同时天元还支持PyTorch Module功能 ， 可以直接导入模型 ， 迁移成本低且极大方便模型复现；天元内置高性能计算机视觉算子和算法 ， 可为计算机视觉相关模型训练和应用实现深度优化 。
[人工智能]从算法爬坡到 AI 基建，旷视“天元”开源背后的 AI 生产力破局
本文插图
4. 灵活高效
旷视天元具备很强的多平台多设备适应能力 ， 可通过类似汇编和指令重排等技术 ， 使得天元内置算子能够在推理或生产环境中充分利用多核优势 ， 灵活调用设备的计算力 ， 尤其适用于大模型算法训练 。
[人工智能]从算法爬坡到 AI 基建，旷视“天元”开源背后的 AI 生产力破局
本文插图
总的来说 ， MegEngine 在协同设计、高效训练、大规模训练能力上 ， 做到了更完整的统一与升级 。
相比平台级公司的科技巨头 ， 旷视成立之初便是一家以 AI 为驱动的企业 ， 天元深度学习框架的开发以其核心业务为土壤 ， 在应用场景和落地案例中经过不断的反馈、调试 ， 尤其在视觉任务的处理上 ， 更加适合开发者 。
基于与TensorFlow、PyTorch 等框架的不同优势 ， 开发者也可以同时使用不同框架 ， 解决自身问题 。
生态共建者
过去几年 ， 中国企业纷纷拥抱开源 ， 但多数是被形势驱动 ， 勉力上赶 ， 早期便做下铺垫并持续技术积累的不多 ， 从这个角度看 ， 旷视算是个异类 。
2014 年 ， 深度学习刚刚兴起不久 ， 当时公司使用的还是 Theano 框架 ， 效率低下 。 旷视研究院的 3 名实习生 ， 在其自动化算法研发系统 Cycle++ 的基础上 ， 不到半年的时间里 ， 写出了一个初版的深度学习框架 ， 便是 MegEngine 的雏形 。
MegEngine 诞生的第二年 ， 谷歌开源了 TensorFlow 。在深度学习框架的选择上 ， 买巨头的船票 ， 还是自己造船 ， 团队内部经历了长久的争论 。
高投入的自研意味着对团队的极大考验 ， 此时 ， 成立不到 4 年的旷视 ， 技术团队尚不足20人 ， 再配合业务的落地推进 ， 难度指数级增长 。 但刚刚开源的 TensorFlow 尚有不少缺憾有待完善 ， 对团队来说 ， 远不如自研的 天元（MegEngine ）称手 。 并且 ， 对于一个以 AI 为绝对主业务的企业来说 ， 长期来讲 ， 自研深度学习框架更易于面向自身需求调整、迭代算法 。


推荐阅读


上一篇：莱特维健NMN唤醒身体免疫活性，让你年轻20岁

下一篇：厨余垃圾处理器很鸡肋？澳柯德垃圾处理器试用测评