Shenjian Teknolojisinin kurucu ortağı: Makine Görüşü için Derin Öğrenme İşlemcisi (PPT İndir)
Bu içerik, Tsinghua Üniversitesi Elektronik Bölümü doçenti ve Shenjian Technology'nin kurucu ortaklarından seçilmiştir. Wang Yu 27 Nisan 2018'de Tsinghua Üniversitesi Ana Binasının Kabul Salonunda Veri Bilimi Enstitüsünde düzenlendi 2. "Tsinghua'da Büyük Veri" Zirve Forumu Başlık "Makine Görüsü için Derin Öğrenme İşlemcisi" Konuşma.
Not: Özel mesaj kulis cevap anahtar kelimesi "0427", PPT'nin tam sürümünü indirin. Video yaklaşık yarım saat uzunluğunda, izlemek için wifi kullanmanız tavsiye edilir
Wang Yu: Herkese merhaba, bugün size geçmişte yaptığımız çalışmaları rapor edeceğim.
Tsinghua Üniversitesi'nden Ekibimizde şu anda 130 kişi ve 50 Tsinghua öğrencisi var, yazılım, mimari, yongalar, donanım, algoritmalardan derlemeye kadar her şeyi kapsıyor. Bugün işlemcilerden bahsedersek, Intel dahil birçok şirket sadece mimari ve donanım değil, aynı zamanda birçok yazılım ve algoritma da yapıyor. Çipin başkaları tarafından kullanılması için, başkalarının görebileceği etkiyi göstermesi ve iyi bir derleyiciye sahip olması gerekir.
Bağımsız araştırma ve geliştirme çekirdek teknolojisi Kendi çekirdek teknolojimizi tanıtmama ve bu alandaki görüşlerimizden bahsedeyim.
Derin öğrenmeden bahsetmişken, neden derin öğrenme için bir girişim olmak istiyorsunuz, ancak diğer yönleri için değil? Derin öğrenme, temelde, parametreleri belirlemek ve algoritma seviyesinden farklı uygulamaları desteklemek için yeterli X ve Y'yi işaretlemek için sinir ağlarını kullanan bir düzenleyicidir.
2010 yılında mobil internetin yaygınlaşmasından bu yana, giderek daha fazla etiketlenmiş veri olmuştur. Sinir ağları, verileri kullanmanın bir yolunu sağlayabilir. CPU'dan GPU'ya ve özel donanıma kadar, kişisel terminaller alanında her kamera da dahil olmak üzere böyle bir ağı yapabileceğini umuyoruz.
Genel trendden, tüm tarihsel döneme bakıldığında, önemli bir donanım var (resmin altında). Yapay zekanın bu aşamasında temel donanımın ne olduğunu bilmiyoruz, bu yüzden herkesin böyle bir çekirdek yetenek için savaştığını görmekten de çok mutluyuz.
Yaklaşımımız nedir? Resmin altında en kritik üç bölüm bulunmaktadır: DNNDK-yazılım araç zinciri, talimat seviyesi ve mimari.
Yukarıdakiler tüm algoritmalara karşılık gelen küçük modüllerdir.Birimi tuğladan duvara değişmiştir.Bu nedenle, derin öğrenmenin önceki öğeleri için bu soyut seviyeleri bulmak mümkün mü? Bu talimat seviyesidir. Böyle bir soyutlama için, bu soyut donanımı tatmin edebiliriz ve tüm sinir ağlarını bir talimatlar koleksiyonuna dönüştürmemiz gerekir. Donanım sabitlendiğinden, yalnızca sınırlı işlemleri desteklemesi gerekir.
Bir sistem için üç şey çok önemlidir: Birincisi, en yüksek kapasite, kaç bilgi işlem biriminin daire içine alındığı ve sizin için kaç kişinin çalıştığıdır. İkincisi, insanların daha yüksek bir yüzdesinin gerçekten nasıl çalışacağıdır. Üçüncüsü, ihtiyaç duyulan insan sayısının azaltılıp azaltılamayacağını aynı şeyi yapmaktır. Bu üçü birlikte genel performansı iyileştirmeyi umabilir.
Tüm endüstrilerde Veri olacaktır.Bir algoritma eğittikten sonra, onu sıkıştırıp tanımladığımız bir talimat akışına dönüştürebilir ve bir sistem çözümü oluşturmak için donanıma koyabiliriz.
Yazılım ve donanımın koordinasyonunu neden vurgulamalıyız? İşte bir grafik, yatay eksen watt. Farklı wattlar, farklı uygulama alanlarına karşılık gelir ve yapmayı umduğunuz her watt değerinin performansı yeterince yüksektir.
Dikey eksen performanstır - saniyedeki hesaplama sayısı. Şekildeki üçgen, temelde aşılması zor bir çizgi olan yaklaşık 1T ~ 5T / watt'a ulaşabilen çipi temsil etmektedir. Dolayısıyla çip yapmak yeterli olmayıp, algoritmanın optimizasyonunun da yapılması gerekir.
Ayrıca kendi IP'miz olmaya çalışıyoruz. O zaman, bir çip yapmak birkaç milyon dolara mal olabilir .. Bir çip tasarlarken, geleceğe nasıl adapte olunur ve mevcut tüm ağların nasıl destekleneceği. Orta seviyeyi soyutlamalısınız ve orta seviyenin temel birimleri tüm ağları bir araya getirebilmelidir.Gelecekteki ağın nasıl görüneceğini bilmiyorsunuz.
Yazılım açısından yaptığımız şey sinir ağlarıdır.Gereksiz tüm kenarları ve noktaları kaldırarak, bir bütün olarak gereken hesaplama miktarı azaltılabilir. Bunları sadece elle yapamazsınız.Tüm endüstrileri güçlendirmek istiyorsanız, bir takım alet zincirlerine de ihtiyacımız var. Derin sıkıştırma araçlarıyla, CNN ve RNN'de önemli sıkıştırma oranları elde ederek algoritmayı daha küçük, daha hızlı ve daha güç verimli hale getirebilirsiniz.
Ürün çözümleri ve uygulamaları Nasıl uygulanır? Bir örnek vereyim.
Bu, sinir ağımızın hızlandırılmış bir sürümüdür. Ön uçta tanımlanabilir ve karşılaştırılabilir.Gelecekte, video akışlarını ve resimlerini iletmeye gerek yoktur, özellik değeri olabilir. Önümüzdeki birkaç yıl içinde karakteristik değerin birleşeceğine inanıyorum.
Bu, konuşma tanıma için bir uygulamadır. Karmaşık konuşmacı diyaloğu yapılacak buluta aktarılacaktır. Bunu CPU ve GPU'dan daha hızlı ve daha düşük güç tüketimi olan FPGA ile yapabiliriz. Birim güç tüketimine karşılık gelen bilgi işlem gücü geliştirilebilirse, daha fazla müşteriye hizmet verilebilir.
Bu, sinir ağları tarafından desteklenen, araba tarafında yapmaya çalıştığımız bir çabadır. Bir arabanın, hesaplamaları yapmak için bir platforma konsantre olacak birden fazla kamerası vardır.Orijinal GPU bunu yapmak için kullanılabilir, ancak şimdi bunu yapmak için FPGA'lar da sağlıyoruz. Ön uç dahil olmak üzere, bir ön işleme çipi de gerekebilir ve bu çip FPGA ile de yapılabilir.
Çiplerin performansını iyileştirmeyi ve daha yüksek fiyatlı FPGA'ları değiştirme maliyetini düşürmeyi dört gözle bekliyoruz Yukarıdakiler, geçmişte akademik çevrelerde yaptığımız çalışmalar ve şirket uygulamaları ve hizmetleriyle ilgili örneklerdir. Teşekkürler!
Not: Arka planda yanıt anahtar kelimesi "0427", PPT'nin tam sürümünü indirin.
