江苏龙网

  1. 首页 > 资讯 > 科技 > >

华夏基石e洞察|绝地求生的华为：万字长文详解华为智能深潜策略( 四 )


2019年8月 ， 华为推出的MindSpore计算框架 ， 很好地借鉴了已有人工智能计算框架的做法 ， 同时对存在的一些局限进行了突破 。 例如 ， 不同于TensorFlow和PyTorch 采用手动方式分配计算资源 ， MindSpore采用了并行式自动分配计算资源的方式 ， 大大降低了开发者与硬件对话的门槛 。 除此之外 ， 由于华为拥有自研芯片 ， 所以在软硬件结合上优势明显 ， 针对昇腾芯片在MindSpore上做了软硬件一体化 ， 大幅提升了MindSpore的性能表现 。 百度的飞桨计算框架是跟华为的麒麟芯片进行深度一体化之后 ， 实现推理能力突破的 。
根据华为对外披露的数据 ， 针对典型的自然语言处理（NLP）网络 ， MindSpore所需要的核心代码量相比其他框架减少了20% ， 开发门槛大幅度降低 ， 综合效率提升50%以上 。 这些指标意味着模型开发时间显著减少 ， 使开发态变得更加友好 。
当然 ， 计算框架想要取得成功 ， 仅仅做到技术性能上的提升是远远不够的 ， 更重要的是拥有足够多的生态合作伙伴 ， 共同将计算框架打造成事实上的标准平台 。 基于此 ， 开源是大家普遍采用的一种做法 ， 华为也计划在不久的将来把MindSpore予以开源 。 但具体效果如何 ， 有待进一步观察 。 毕竟 ， 华为这种软硬件一体化的模式短期看是优势 ， 长期看有可能就是局限 ， 因为生态兼容性会更加重要 。
此外 ， 仅有计算框架只相当于有了地皮 ， 若要建好房子还需要各种各样的工具 ， 得具备各种各样的软件开发套件（SDK） 。 关于这个 ， 华为希望开发者们将模型与艺术结合起来 。
4、开发平台
从人工智能芯片到计算架构再到计算框架 ， 相当于把华为这座智能大厦的基础结构都建好了 ， 接下来就是装修和装饰了 。 而这件事则需要很好的审美才行 ， ModelArts应运而生 。
其实 ， 人工智能领域存在剃头挑子一头热的情况 ， 论文专利一大堆 ， 但真正落地应用却并不如想象中那么乐观 ， 目前真正采纳人工智能技术的企业还很少 ， 更鲜见完成智能化转型的传统企业 。 这当中 ， 如何将人工智能理论知识转化为现实应用场景就变得十分重要 ， 而加速这一过程的要害是赋予开发者以低门槛、高友好度的人工智能开发平台 。
作为人工智能的基础技术之一 ， 深度学习是应用场景最为广泛的技术 ， 普遍应用于机器视觉、语音识别、自然语言处理等诸多领域 。 感知智能中的会听、会说、会看 ， 都离不开深度学习技术的支持 。 问题在于 ， 为了达到更高的精度 ， 深度学习所需的模型和数据规模异常庞大 ， 训练非常耗时 ， 很大程度上阻碍了深度学习的开发速度 ， 使得应用算法从训练到部署的周期很长 ， 加大了开发的难度 。
华为推出的ModelArts是一站式人工智能开发平台 ， 致力于让人工智能技术得到普惠式推广 。 想要做到这一点 ， 开发平台必须协调好几个方面的指标 ， 首当其冲的就是模型训练速度 ， 而这又取决于吞吐量和给定精度要求的收敛时间 。 第二个重要指标是开发工具的易用性 ， 第三个是部署周期 。 针对以上三个关键的性能指标 ， ModelArts做了大量的研发创新 ， 有力提升了开发效率和效果 。
第一 ， 为了提升训练速度 ， 华为发挥自身软硬件综合优势 ， 通过硬件、软件和算法的协同优化来加速训练 ， 为用户节省了44%的训练时间 。 这背后的功臣是MoXing API ， 这款华为自研的应用程序接口（API）可以让模型的代码编写非常简单 ， 开发者只需要关注数据输入和模型构建的代码 ， 就可实现任意模型在多GPU和分布式处理中的高性能运行 。 相当于MoXing API是各种深度学习模型的加速器 ， 任何一款模型只要接入到MoXing API ， 就能够获得比原生API环境下更高的性能表现 。
第二 ， 吞吐量意味着单位时间内的数据处理量 ， 一般取决于服务器硬件、数据读取和缓存方面的优化 。 但吞吐量提升必须结合模型精度 ， 才能综合缩短收敛时间 。 ModelArts进行了全栈优化 ， 包括数据读取和预处理、模型计算、超参调优、底层优化等 ， 大大缩短了深度学习算法训练的收敛时间 。


推荐阅读


上一篇：DNF怪咖|原创 从4799跌至2499元，4000mAh+10倍变焦+93.1%屏占比，网友：等到了

下一篇：氪星情报局|赶在618之前，快手大主播辛巴走出“小黑屋”