Intel Chen Yurong: Intel yapay zeka bilgi işlem platformunun kapsamlı analizi CCF-GAIR 2018
Lei Feng Press : 2018 Küresel Yapay Zeka ve Robotik Zirvesi (CCF-GAIR) Shenzhen'de düzenlendi.Zirve, Lei Feng.com ve Hong Kong Çin Üniversitesi (Shenzhen) ev sahipliğinde Çin Bilgisayar Federasyonu (CCF) ev sahipliğinde gerçekleştirildi ve Shenzhen Baoan Bölge Hükümeti'nden güçlü bir rehberlik aldı. Yerli yapay zeka ve robotik, endüstri ve yatırımın üç ana alanındaki en büyük değişim etkinliği, yerli yapay zeka alanında en güçlü sınır ötesi değişim ve işbirliği platformunu oluşturmayı hedefliyor.
1 Temmuz'da Intel'in baş araştırmacısı ve Intel Çin Araştırma Enstitüsü Bilişsel Hesaplama Laboratuvarı'nın yöneticisi Chen Yurong, "AI Chip Special" da " Intel bilgi işlem platformu, yapay zekanın gelişimini hızlandırıyor "Açılış konuşması.
Chen Yurong, derin öğrenmenin geliştirilmesinin, makinelerin belirli görev alanlarında görsel tanıma ve konuşma tanımada insanları geride bırakmasını sağladığını söyledi. Ek olarak, derin öğrenme, sağlık hizmetlerinde tümör tespiti, finansal yatırım için belge sınıflandırması, enerji endüstrisinde petrol ve gaz sahası keşfi, akıllı cihazlarda ses asistanları, endüstriyel uygulamalarda kusur tespiti ve genetik dahil olmak üzere gerçek dünya sorunlarını çözmek için diğer alanlarda da yaygın olarak kullanılmaktadır. Mühendislikte gen sıralaması vb.
Bununla birlikte, derin öğrenmenin dağıtımı çok yönlüdür ve derin öğrenmenin eğitimi aslında bunun sadece küçük bir parçasıdır.Daha da önemlisi, tüm çözümün nasıl çalıştığını ve daha büyük veri analizi sürecine sorunsuz bir şekilde nasıl entegre edileceğini anlamaktır. İçeri gir.
Chen Yurong, genel amaçlı yongalar, Nervana sinir ağı işlemcisi, FPGA, Movidius VPU, Mobileye EyeQ, GNA IP, entegre grafikler ve diğer donanımlar gibi derin öğrenme özel hızlandırıcıları ve çeşitli yazılımlar dahil olmak üzere Intelin en kapsamlı uçtan uca yapay zeka bilgi işlem platformunu tanıttı OpenVINO, Movidius SDK, MKL-DNN, clDNN vb. Gibi araçların yanı sıra Intelin son teknoloji ve ileriye dönük araştırmaları yapay zekanın geliştirilmesine yardımcı olmak için nasıl entegre edilebilir.
Aşağıdakiler, Chen Yurong'un konuşmasının tam metnidir ve Leifeng.com orijinal niyetini değiştirmeden bunu düzenledi.
herkese iyi günler! Bugün Intel'in yapay zeka bilgi işlem platformunu ve ilgili araştırma çalışmalarımızı tanıtmak için bu foruma katılmaktan çok mutluyum. Bugün, mevcut bilgi işlem platformları ve yaptığımız araştırmalar hakkında daha fazla konuşacağım.
Yapay zeka nedir? Yapay zekanın tanımı sürekli olarak gelişiyor, ancak özü esas olarak makinelerin insan zihniyle ilgili bilişsel işlevleri simüle etme ve aşma yeteneğiyle ilgilidir. Yapay zeka birçok farklı uygulama yöntemi içerir.Veri merkezli makine öğrenmesi en önemli yöntemdir, çünkü algılama, planlama / akıl yürütme ve kontrol dahil olmak üzere yapay zekanın üç ana alt görevini gerçekleştirmiştir. mükemmel sonuçlar. Derin öğrenme, makine öğreniminin bir alt kümesidir ve son yıllarda yapay zekanın gelişimi için ana itici güç haline gelmiştir. Ancak diğer yöntemlerin önemli olmadığı değil, basit sinir ağları, klasik makine öğrenme algoritmaları, çıkarıma dayalı sistemler ve diğer ortaya çıkan algoritmalar çok önemlidir. Yapay zekanın er ya da geç birden fazla yöntemin entegrasyonu ile sağlanması gerektiğine inanıyorum.
Yapay zeka algoritmaları alanında makine öğrenimi, klasik regresyon, sınıflandırma, kümeleme, karar ağaçları, ekstrapolasyon ve diğer algoritmalar dahil olmak üzere birçok istatistiksel ve planlama algoritmasını içerir.Avantajları, küçük verilere uygun olmaları, düşük hesaplama gereksinimlerine sahip olmaları ve sonuç çıkarabilmeleridir. Şeffaflık daha iyidir Dezavantajı, çok fazla manuel tasarım gerektirmesi ve görüntü tanıma gibi karmaşık problemler için tanıma doğruluğunun çok düşük olmasıdır. Son yıllar Derin öğrenme Görüntü konuşma tanıma, doğal dil işleme ve örüntü tanıma gibi birçok sorunu çözmek için ana akım bir algoritma haline geldi. Doğruluk oranı çok yüksek, ancak bazı sorunları da var. Örneğin, çok fazla veri eğitimine ve çok sayıda bilgi işlem kaynağına ihtiyacı var. Aynı zamanda teorik temeli de yok, ki bu da sık sık söylediğimiz kara kutu problemi. Nasıl gideceğinizi bilmiyorsunuz İyi bir sinir ağı tasarlayın. Son olarak, herkes tarafından görmezden gelinmesi kolaydır Çıkarımla ilgili Farklı büyük verilerden benzerlikler bulabilir ve anormal durumları tespit edebilirler ve kara para aklamayı önleme ve finansal dolandırıcılığın tespiti gibi uygulamalarda kullanılabilirler.
Derin öğrenmenin gelişimi sayesinde, makineler belirli görev alanlarında görsel tanıma ve konuşma tanıma konusunda insanları geride bıraktı. Ek olarak, derin öğrenme, sağlık hizmetlerinde tümör tespiti, finansal yatırımda kullanılan belge sınıflandırması, enerji endüstrisinde petrol ve gaz sahası keşifleri, akıllı cihazlarda ses asistanları ve endüstriyel uygulamalar dahil olmak üzere gerçek dünya sorunlarını çözmek için diğer alanlarda da yaygın olarak kullanılmaktadır. Genetik mühendisliğinde kusur tespiti ve gen sıralaması. Biz Endüstriyel uygulamalarda hata tespiti örneği Derin öğrenme çözümlerinin nasıl geliştirildiğine bir göz atalım.
Genel çözüm genellikle fırsatları keşfetmeyi, varsayımları belirlemeyi, veri hazırlamayı, modelleri eğitmeyi, modelleri dağıtmayı ve çözümü yinelemeyi ve değerlendirmeyi içerir. Gerçek bir müşteri vakası kullanıyoruz ve derin öğrenme çözümlerinin geliştirme döngüsünü yüzdeye bölüyoruz. Farklı derin öğrenme çözümleri, zaman yüzdesi dağılımında farklılık gösterir, ancak adımları temelde aynıdır. Verileri etiketlemeniz, yüklemeniz ve geliştirmeniz gerekir.DNN model yapısını denemeniz, ardından model parametrelerinde hata ayıklamanız ve son olarak çıkarımı desteklemeniz ve sonuçları paylaşmanız gerekir. Noktalı çizgi, model eğitiminin hesaplama açısından yoğun bir parçasıdır ve çok önemlidir, ancak derin öğrenme geliştirme döngüsünün yalnızca küçük bir bölümünü oluşturur, yaklaşık% 30. Ek olarak, derin öğrenmenin geliştirilmesinin tüm çözüm geliştirmenin sadece küçük bir parçası olduğunu görebilirsiniz.Hızlanmak için fazladan para harcamak yerine, yapay zeka çözümlerini daha hızlı dağıtmak için BT bütçesini nasıl kullandığınızı söylemek çok önemlidir. Genel çözümün küçük bir parçası.
Yine de hata tespiti örneğini kullanarak, gerçek bir uçtan uca derin öğrenme çözümünün nasıl uygulandığına bir göz atalım. Solda, kusurları tespit etmek için üretim ekipmanını izlemek için 10 kamera kullanan kasanın işlevsel düzeni var. İnsan uzmanlarının, daha sonra bir sinir ağı modelini eğitmek için kullanılabilecek büyük bir veri kümesi oluşturmak için kusurlu resimlere açıklama eklemesi gerekir. Eğitilen model, sonraki videolar hakkında çıkarımlar yapmak için sistemde depolanır ve dağıtılır. Hatalar bulunduğunda, çıkarım sonuçları hizmet katmanına ve çözüm katmanına gönderilir. Çıkarılan sonuçlar karar vermede temel olarak kullanılabilir ve bir teknisyeni çağırmak veya üretim hattını kapatmak gibi bazı eylemler yapabiliriz. Sağdaki veri merkezi tasarım diyagramından, içinde birçok çeşit donanım olduğunu görebilirsiniz. Burada söylemek istediğim şey, Derin öğrenmenin dağıtımı çok yönlüdür ve derin öğrenmenin eğitimi bunun sadece küçük bir parçasıdır.Daha da önemlisi, tüm çözümün nasıl çalıştığını ve daha büyük veri analizi sürecine sorunsuz bir şekilde nasıl entegre edileceğini anlamaktır. .
Yapay zeka hesaplama çağının veya şafak döneminin ilk günlerinde olduğumuz konusunda birçok akademisyene katılıyorum. Intel, yalnızca yapay zekanın geliştirilmesinin önünü açmakla kalmıyor, aynı zamanda bu yeni ortaya çıkan alana liderlik etmek için en avantajlı konumda. Sektörün en kapsamlı bilgi işlem platformunu sunarak kullanıcıların daha akıllı sonuçlar elde etmesine yardımcı oluyoruz ve bunların tümü, kullanıcıların ihtiyaçları ve pazar segmentlerinin ihtiyaçları tarafından yönlendiriliyor. Yapay zeka kullanmanın ilk adımı veri hazırlamaktır , Biz ve ortaklarımızın çoğu, verileri depolamak, işlemek ve yönetmek için çeşitli çözümler sunuyoruz. Dünyanın lider bilgi işlem donanımı üreticisi olarak, Donanımımız, hibritten özele, buluttan terminale kadar en geniş AI uygulama yüklerini destekler. Donanıma ek olarak yazılım da çok önemlidir. Öğretmen Wei (Wei Shaojun) da biraz önce dedi ki, bir bakıma yapay zeka, yazılımın donanımdan daha önemli olduğunu. Biz Tüm Intel donanım motorlarının maksimum tutarlılık, birlikte çalışabilirlik ve güvenlik ile ortak bir AI deneyimine sahip olduğundan emin olun. Yapay zeka çözümlerinin geliştirme döngüsünü hızlandırmaya yardımcı olmak için çeşitli yazılım aracı kombinasyonları sunuyoruz . Donanım ve yazılım araçlarına ek olarak, Yapay zekayı genişletmek ve herkesin hayatını zenginleştirmek için topluluk temelli ve çözüm odaklı bir yaklaşım benimseyin . Ortaklarımızla birlikte finans, sağlık, perakende, endüstri, devlet, enerji ve daha fazlası dahil olmak üzere çeşitli sektörler için hazır çözümler sunuyoruz. gelecekle yüzleşmek, En iyi akademik araştırmaları finanse etmek, dahili Ar-Ge ve önde gelen yenilikçilere yatırım ve politika ve etik liderliği daha da teşvik etmek dahil olmak üzere önde gelen Ar-Ge ve yatırım yoluyla yapay zekanın geliştirilmesini teşvik etmeye devam ediyoruz.
Araçlar açısından, Intel, herkesin Intelin donanımını iyi bir şekilde kullanmasına, geliştirme sürecini basitleştirmesine ve nihayetinde genel çözümün geliştirme süresini kısaltmasına yardımcı olmak için katma değerli yapay zeka yazılım araçlarına yatırım yapıyor. Uygulama geliştiricileri için performansı artırmak ve çözüm dağıtımını hızlandırmaya yardımcı olmak için birçok araç sağlıyoruz. Derin öğrenme için, açık kaynak OpenVINO ve Intel Movidius SDK, model dönüştürme ve optimizasyon yoluyla Intel'in her hedef donanımı için optimize edilmiş derin öğrenme çıkarım dağıtımı sağlayabilir. Ayrıca uçtan uca derin öğrenme çözümlerinin geliştirme döngüsünü (eğitim dahil) kısaltmaya yardımcı olabilecek Intel Derin Öğrenme Stüdyosu'nu da geliştiriyoruz. Derin öğrenmeye ek olarak Intel Saffron AI, kara para aklamayı önleme ve öngörücü bakım uygulamaları için kullanılabilen bilişsel akıl yürütme çözümleri de sağlayabilir.
Veri bilimcileri için, kararlıyız Makine ve derin öğrenmede yaygın olarak kullanılan bir dizi açık kaynak kitaplığını optimize edin. Python, R ve dağıtılmış kitaplıklar dahil olmak üzere Intel donanımından tam olarak yararlanabilecek bazı makine öğrenimi kitaplıkları zaten var. Ayrıca biz Tüm önemli derin öğrenme çerçevelerinin ve topolojilerinin Intel donanımında iyi çalışabilmesini sağlamak için yaygın olarak kullanılan derin öğrenme çerçevelerinin doğrudan optimizasyonu . Şu anda, CPU optimizasyonunu tamamlayan çerçeveler arasında Tensor akışı, MXNet, Caffe, vb. Bulunmaktadır. Gelecekte Intel nGraph derleyicisi aracılığıyla daha fazla çerçeve gerçekleştirmeyi umuyoruz. Kitaplık geliştiricileri için, Intel donanımından tam olarak yararlanmaları için birçok temel yapı taşı sağlıyoruz. İçerir Makine öğrenimi için optimize edilmiş Intel Python dağıtımı ve makine öğrenimini içeren Intel veri analizi ve hızlandırma kitaplığı DAAL ile Intel CPU'lar ve entegre grafikler için optimize edilmiş DNN temel işlev kitaplıkları MKL-DNN ve clDNN , Bu iki kütüphane, derin öğrenme modeli geliştirmeyle en alakalı olanlardır. Az önce Intel nGraph derleyicisinden bahsetmiştim. Bu derleyici, farklı çerçevelerden hesaplama grafikleri elde etmemize ve bunları bir ara gösterime dönüştürmemize yardımcı olabilir. Bu ara gösterim, Intelin belirli donanımlar için bilgi işlem hızlandırma yazılımını arayarak yürütülebilir. Bu şekilde, geliştiriciler, temel yazılım ve matematiksel hızlandırma kitaplıklarını kullanmadan her hedef donanım için derin öğrenme çerçevesini ve modelini doğrudan optimize edebilir.
Intel donanımı açısından, derin öğrenmeye ek olarak, daha önce bahsedilen veri analizi, makine öğrenimi ve muhakeme gibi diğer yapay zeka uygulamaları Xeon veya diğer CPU'larla yapılabilir çünkü bu bilgi işlem yükleri derin öğrenme kadar güçlü değildir. Yüksek hesaplama yoğunluğu ve yüksek paralellik özellikleri. Derin öğrenme için Intel, farklı müşterilerin benzersiz ihtiyaçlarını karşılamak için geniş bir ürün portföyü sunar. Eğitim için şu anda eğitim için Xeon veya Xeon tabanlı kümeleri kullanabilirsiniz. Hızlanmanız gerekiyorsa, bir hızlandırıcı kullanmayı da düşünebilirsiniz.Gelecek yıl, Intel, özellikle derin öğrenme eğitimi için bir Intel Nervana sinir ağı işlemcisine sahip olacak. Çıkarım için, veri merkezlerinde ve iş istasyonlarında, aslında, Xeon işlemciler günümüz pazarında hala standarttır (daha çok Xeon işlemcileri kullanın). Yüksek yoğunluklu çıkarımlar yapmanız gerekiyorsa, hızlandırıcıları kullanmayı da düşünebilirsiniz.Intel'de herkesin seçebileceği birçok hızlandırıcı vardır.
Intelin derin öğrenme çıkarım hızlandırıcısını tanıtalım . Veri merkezi, uç bilgi işlem ve terminal ekipmanının performans, güç tüketimi ve maliyet gereksinimlerinin derin öğrenme çıkarımı için aslında çok farklı olduğunu herkes bilir. Intel FPGA'lar, veri merkezlerinde ve uç bilgi işlem cihazlarında derin öğrenme çıkarımlarını özelleştirebilir ve hızla prototip oluşturabilir. Intel Movidius VPU Düşük güçlü bilgisayar görüşü ve derin çıkarımlar için bir çözümdür. Uç hesaplama açısından, yüksek yoğunluklu ve verimli medya ve görsel çıkarım elde etmek için birden fazla Movidius VPU kullanılabilir. Terminalde, Movidius VPU ultra düşük enerji tüketimi ile mükemmel çıkarım çıkışı sağlayabilir ve IoT sensörlerinde, kişisel bilgisayarlarda ve diğer terminal ürünlerinde görsel işleme ve çıkarım için kullanılabilir. Intel Mobileye EyeQ teknolojisi Otonom sürüş için bir çıkarım platformudur ve müşterilere tam bir otonom sürüş çözümü olarak da sunulabilir. Intel GNA, Hybrid Gaussian Model ve Neural Network Accelerator IP, birçok akıllı hoparlöre, mobil cihaza, akıllı araba direksiyonuna veya PC yongasına tasarlanıp entegre edilebilen ultra düşük güçlü bir ses ve ses çıkarım çözümüdür. Son olarak, göz ardı edilmesi kolay Intel entegre grafikler var.Aslında, yerleşik derin öğrenme çıkarım hızlandırma yeteneklerine sahiptir.
Intel Movidius VPU ve entegre grafikler hakkında konuşalım. Geçen yıl piyasaya sürülen Myriad X, Intel Movidius VPU'nun en yeni neslidir. Enerji tasarruflu görüntü işleme, bilgisayarla görme ve servis robotları, gözetleme kameraları ve giyilebilir cihazlar dahil derin öğrenme ekipmanlarında kullanılabilen düşük güçlü bir SoC'dir. Ekipmanlar, drone'lar, AR-VR kaskları ve akıllı ev cihazları vb. Önceki nesil ürün Myriad 2 ile karşılaştırıldığında, Myriad X, çipe entegre edilmiş bir DNN hızlandırıcısı olan bir Neural Compute Engine'e (Neural Compute Engine) sahiptir. Bu hızlandırıcı ile, derin öğrenme çıkarımı verimi 1TOPS'a, yani saniyede 1 trilyondan fazla işleme ulaşabilir ve teorik zirve 4TOPS'a ulaşabilir. Intel Movidius VPUnun küçük boyutu ve watt başına üstün bilgi işlem performansı, kullanıcıların terminal cihazlarda bilgisayarla görme ve derin öğrenme ihtiyaçlarını büyük ölçüde karşılar.
Movidius VPU ile birlikte, video işleme birimleri için kapsamlı bir yazılım geliştirme kiti olan Movidius yazılım geliştirme kitini çıkardık. Prototip sisteminin geliştirme süresini ve karmaşıklığını azaltmak için yerleşik yönlendirilmiş grafik çerçevesini kullanır ve hızlı prototipleme için kullanılabilir. Ayrıca bilgisayarla görme ve görüntü sinyali işleme ve bazı doğrusal cebir kitaplıkları gibi birçok kitaplık içerir. Bu şekilde, C / C ++ programlama en iyi performansı elde etmek için kullanılabilir ve ayrıca grafik geliştirme için zengin bir araç takımının kullanımını destekler. Intel Movidius teknolojisi, Hikvision akıllı kameralar, DJI dronlar, Univision IP kameralar, Motorola 360 derece kameralar, Dahua endüstriyel kameralar, Google AIY görüş kitleri ve Clips akıllı kameralar dahil olmak üzere birçok akıllı cihazda yaygın olarak kullanılmaktadır. Bekle.
Intel entegre grafikleri, yerleşik derin öğrenme çıkarım hızlandırma yetenekleri sağlar, ancak herkes daha az kullanır. Aslında Intel entegre grafikler, Intel Atom işlemciler, Intel Core işlemciler ve Intel Xeon E3 işlemciler dahil olmak üzere birçok Intel SoC'de mevcuttur. Intel tümleşik grafikleri, hızlı video senkronizasyon teknolojisi dahil olmak üzere önde gelen medya performansına sahiptir, güç tüketimini azaltmak, performansı artırmak için sabit işlevli medya işleme modüllerini kullanır, medyayı hızlı ve kolay bir şekilde işleyebilir ve videolar oluşturabilir ve dönüştürebilir. Diğeri, herkesin daha sık kullandığı donanım hızlandırmalı kodeklere erişmek için API'ler sağlayan Intel Media SDK'dır. Buna ek olarak, Intel entegre grafikler ayrıca zengin veri türlerini ve SIMD çarpma ve biriktirme talimatlarını destekler. Aynı zamanda, CPU ve GPU arasında, gecikmeyi ve güç tüketimini azaltabilen bir çip üzerinde paylaşılan bellek mimarisi benimsenir.
Artık herkes Intel clDNN kullanıyor, Intel tümleşik grafiklerinde derin sinir ağı hesaplamalarını kolayca gerçekleştirebilirsiniz. clDNN, Intel'in entegre grafiklerinde derin öğrenme hızlandırma ara yazılımıdır. Açık kaynağı geçen ay GitHub'da açtık. Web'den daha fazla bilgi edinebilirsiniz. Ayrıca clDNN, Intel'in Derin Öğrenme Uygulama Araç Seti ve Intel'in OpenVINO Araç Seti'nin ayrılmaz bir parçasıdır. OpenVINO ayrıca, çözüm geliştirme süresini azaltırken Intel platformlarında bilgisayarla görme çözümlerinin performansını artırmaya yardımcı olmak için geçen ay piyasaya sürülen yeni bir açık kaynaklı yazılım araç setidir.
OpenVINO, model iyileştirici ve çıkarım motoru dahil olmak üzere Intel'in derin öğrenme dağıtım araç setini içerir. Model iyileştirici, Tensorflow, Caffe ve diğer çerçevelerin çıkarım modelini bir ara gösterime dönüştürebilir. Bu ara gösterim, çıkarım motoru aracılığıyla Intel CPU ve GPU için kullanılır. , VPU ve FPGA eklentileri, platformlar arası derin öğrenme çıkarım dağıtımını ve hızlandırmayı destekleyebilir . OpenVINO ayrıca Intel platformları için optimize edilmiş birçok geleneksel bilgisayar görme aracı ve işlev kitaplığı içerir; OpenCV, OpenVX ve Intel'in Intel CPU ve GPU için optimize edilmiş kendi fotoğrafik görüş işlevi kitaplıkları ve Intel entegre grafikler için optimize edilmiş Media SDK ve OpenCL sürücüleri Intel FPGA'lar için optimize edilmiş programlar ve çalıştırma zamanlarının yanı sıra çalıştırma ortamları ve bit akışları.Bunların tümü, daha düşük düzeyli optimizasyonları önemsemeye gerek kalmadan bilgisayarla görme uygulamalarının daha hızlı ve daha iyi geliştirilmesini kolaylaştırmak içindir.
Aşağıdakiler esas olarak derin öğrenme hızlandırma ile ilgili kendi araştırma çalışmamızı tanıtmaktadır. . Hepinizin bildiği gibi, ağ modeli sıkıştırması, derin öğrenme çıkarımını hızlandırmanın ana yollarından biridir. Bu bağlamda, çok iyi araştırma çalışmaları yaptık. DNN modelinin ağırlığını azaltabilecek, lider bir düşük hassasiyetli derin sıkıştırma çözümü önerdik. Ve aktivasyon değerleri düşük hassasiyetli ikili gösterime dönüştürülür ve yüzlerce kez kayıpsız sıkıştırma elde edilir. Bu, donanım ve yazılımda derin öğrenmenin verimli çıkarım motorunun uygulanmasının yolunu açar. Bu teknolojinin kendisi üç modül içerir: DNS, DNN yapısını optimize eden dinamik bir ağ cerrahi teknolojisi, DNN ağırlıklarının doğruluğunu azaltan artımlı ağ niceleme teknolojisi INQ ve DNN etkinleştirme değerlerinin doğruluğunu azaltan çok ölçekli kodlama niceleme teknolojisi MLQ. Bu üç öğe. Çalışma, en iyi makine öğrenimi ve yapay zeka konferanslarında sunuluyor. DNN modelinin sıkıştırılmasını sağlamak için modelin tahmin doğruluğunun azaltılmamasını sağlayabilirler.
AlexNet'i örnek olarak ele alırsak, düşük hassasiyetli derin sıkıştırma çözümü kullanarak, ilk kez sıkıştırma oranı 100 kattan fazla olan neredeyse kayıpsız ikili DNN modelini gerçekleştirdik. Sıkıştırma modelinin ağırlıkları ve aktivasyon değerleri ikili olarak ifade edildiğinden, tüm çarpma işlemleri basit kaydırma işlemlerine dönüştürülebilir. Özelleştirilmiş donanımın kullanımı onlarca hatta yüzlerce kez hızlanma sağlayabilir. Sıkıştırma teknolojimiz ile Intel'in düşük güçlü donanımının birleşimi, sis bilişim ve uç bilgi işlem için derin öğrenme çıkarımı için donanım hızlandırma yetenekleri sağlayabilir. Düşük hassasiyetli derin sıkıştırma çözümleriyle birlikte FPGA dostu DNN tasarımının kullanılması, DNN hesaplamalarının hızını artırmak, güç tüketimini ve gecikmeyi azaltmak ve uç hesaplama veya sis hesaplama senaryolarında verimi artırmak için FPGA mantık hesaplama birimlerini tam olarak kullanabilir. Ek olarak, daha önce de belirtildiği gibi, Intel Movidius VPU zaten bir DNN hesaplama hızlandırıcısına sahiptir.Düşük hassasiyetli sıkıştırma teknolojimizle birlikte, gelecekte düşük hassasiyetli DNN hesaplamaları için destek sağlayabilir ve böylece uç cihazlarda DNN hesaplamalarının hızını ve hızını daha da iyileştirebilir. Çıktı.
Elbette, özel sinir ağı işlemcileri tasarlamakla sınırlı değiliz. Intel Research, gelişmiş algoritmalar, nöromorfik hesaplama, otonom sistemler ve kuantum hesaplama dahil olmak üzere akıllı şeyler üzerine bir dizi dönüştürücü araştırma yürütüyor. Bu yılki CES gösterisinde, nöromorfik araştırma çipi Loihi'yi ve 49 kübitlik süper iletken kuantum test çipi Tangle-Lake'i yayınladık. Bu iki çalışma, çeşitli endüstrilere, bilimsel araştırma kurumlarına ve tüm topluma şu anda geleneksel bilgisayarların başına bela olan sorunları çözmede yardımcı olabilir. İleriye dönük araştırmalarımız, yapay zekanın gelecekteki gelişimine hazırlanmayı ve gelecekteki yeni bilgi işlem türlerini desteklemeyi umarak istikrarlı bir şekilde ilerlemektedir.
Son olarak konuşmamı "Geleceği Bilmek, Geleceği Yaratmak" ile bitirmeyi umuyorum. Intel, orijinal amacını değiştirmez ve her zaman işbirliği ve yeniliğe bağlıdır.İşbirliği ve inovasyon yoluyla daha iyi bir yapay zeka geleceği yaratmak için akademi ve endüstri ile birlikte çalışmayı umuyoruz. hepinize teşekkür ederim!
