萊斯大學(xué)的助理教授 Anshumali Shrivastava 說，「它應(yīng)用于任何深度學(xué)習(xí)架構(gòu)，該技術(shù)都能亞線性地擴(kuò)展，也就是應(yīng)用到的深度神經(jīng)網(wǎng)絡(luò)越大節(jié)省的計算越多?！?/p>

該研究將會發(fā)布在今年的 KDD 會議上被介紹，它解決了谷歌、Facebook、微軟等大公司面臨的最大難題之一。這些大公司都在爭相建立、訓(xùn)練、部署大量的深度學(xué)習(xí)網(wǎng)絡(luò)來發(fā)展不同的產(chǎn)品，例如自動駕駛汽車、翻譯、郵件智能回復(fù)。

Shrivastave 和萊斯大學(xué)的研究生 Ryan Spring 表示該技術(shù)來自于哈希法(hashing)，一種行之有效的數(shù)據(jù)檢索方法，經(jīng)過改編可極大地減少深度學(xué)習(xí)的計算成本。哈希法使用哈希函數(shù)將數(shù)據(jù)轉(zhuǎn)換為易管理的小數(shù)值哈希(被稱作 hash)。哈希被存儲在表格中，類似于印刷書中的索引。

Spring 說：「我們的方法融合了兩項技術(shù)——巧妙的本地敏感性哈希法變體(variant of locality-sensitive hashing)和稀疏反向傳播變體——以減少計算需求，且不附帶大量的精確度損失。例如，在小規(guī)模的測試中發(fā)現(xiàn)我們可以降低 95% 的計算，但是和通過標(biāo)準(zhǔn)方法獲取的精確度依然差 1% 以內(nèi)?！?/p>

深度學(xué)習(xí)網(wǎng)絡(luò)的基本構(gòu)建塊是人工神經(jīng)元。盡管在 1950 年代就被作為生物大腦神經(jīng)元的模型，人工神經(jīng)元還僅僅是把輸入數(shù)據(jù)轉(zhuǎn)化為輸出結(jié)果的數(shù)學(xué)函數(shù)和方程式。

在機器學(xué)習(xí)中，所有神經(jīng)元都有相同的初始狀態(tài)，就像白紙一樣，它們會隨著訓(xùn)練擁有各自的特定功能。在訓(xùn)練中，神經(jīng)網(wǎng)絡(luò)「看到」了大量數(shù)據(jù)，每個神經(jīng)元都會成為識別數(shù)據(jù)中特定模式的專用結(jié)構(gòu)。在最底層，神經(jīng)元執(zhí)行簡單的任務(wù)。例如在圖像識別應(yīng)用中，底層神經(jīng)元或許用于識別亮/暗，或是物體的邊緣。來自這些神經(jīng)元的輸出會被傳遞到網(wǎng)絡(luò)中下一層的神經(jīng)元那里，經(jīng)受其他模式的識別和處理。僅有幾層的神經(jīng)網(wǎng)絡(luò)即可識別面部、貓狗、交通指示牌和校車等概念。

Shrivastava 說：「向神經(jīng)網(wǎng)絡(luò)層級添加更多的神經(jīng)元能擴(kuò)展其表現(xiàn)性能，而我們希望神經(jīng)網(wǎng)絡(luò)沒有大小上限，據(jù)報道谷歌正在嘗試訓(xùn)練一個包含 1370 億神經(jīng)元的模型。」相比之下，對于訓(xùn)練和部署這樣的神經(jīng)網(wǎng)絡(luò)可能會有計算力的限制。

他說：「如今使用的大部分機器學(xué)習(xí)算法都開發(fā)于 30 至 50 年前，設(shè)計時并未考慮計算復(fù)雜性。但有了大數(shù)據(jù)之后，在資源上有了基本的限制，比如計算周期、能耗和存儲。我們實驗室旨在解決這些限制。」

Spring 表示，大規(guī)模的深度網(wǎng)絡(luò)中，哈希法將會極大地節(jié)省計算量和能耗。

他說：「節(jié)能隨著規(guī)模而增加是由于我們利用了大數(shù)據(jù)之中的稀疏性。例如，我們知道一個深度網(wǎng)絡(luò)有 10 億個神經(jīng)元。對于任何給定的輸入，比如一只狗的圖片，只有其中的幾個會變興奮。按照數(shù)據(jù)用語，我們將其稱為稀疏性，而正是由于稀疏性，我們的方法將在網(wǎng)絡(luò)變大之時節(jié)能更多。因此，當(dāng)我們展示了 1000 個神經(jīng)元的 95% 的節(jié)能時，數(shù)學(xué)表明我們可以為 10 億個神經(jīng)元實現(xiàn)超過 99% 的節(jié)能?！?/p>