【TechWeb报道】8月8日消息，据国外媒体报道，IBM研究所已经在分布式深度学习(DDL)中取得了一个新的里程碑，在接近交易效率的情况下，构建了一种可通过上百个处理器扩展DDL的软件。
|
深度学习技术是人工智能（AI）的一个分支，可模仿人脑的工作原理。它也是微软、Facebook、亚马逊和谷歌的重大关注焦点。
IBM的这项研究解决了深度学习的主要挑战之一:虽然大型神经网络和大型数据集有助于深度学习，但也会带来更长的训练时间。
培训大规模、深度学习的人工智能模型可能需要几天或几周的时间。
这个过程需要很长时间，因为扩展的处理器会相互通信。
事实上，随着处理器的加速，情况变得更糟。更快的处理器可以学习得更快，但与传统软件一样，它们之间的通信无法跟上。
IBM研究所的IBM研究员和系统加速及记忆主管Hillery Hunter在一篇博客文章中写道:“基本上，更聪明、更快的处理器需要更好的交流方式，或者他们不同步，大部分时间都在等待对方的结果。”
“所以，如果没有速度可能降低性能。”
新的DDL软件解决了这个问题，它应该可以运行流行的开源代码，比如Tensorflow、“咖啡因”、Torch和Chainer（而不是大量的神经网络和数据集），性能和准确性都非常高。
IBM研究所演示了使用“咖啡因”框架，如何在64个IBM Power系统中通过256个处理器实现性能提升和95%的扩展效率。
之前的记录是由Facebook人工智能研究设定的，该研究在2月2日的训练中实现了近90%的扩展效率。
此外，在这个新软件中，IBM 研究所在一个750万张图片训练的神经网络获得了33.8%的新图像识别精度，并在7小时内完成。微软的纪录是在10天内显示了29.8%的准确性。
“精度提高4%是一个巨大的飞跃，过去的典型改善一直不到1%，”亨特写道。（yoyo）
编译稿源：http://www.zdnet.com/article/ibm-research-achieves-new-milestone-in-deep-learning-performance/