為了讓人工智能(AI)加速器在最短延遲內(nèi)達到最佳精準度，特別是在自動駕駛車(AV)中，TFLOP(兆次浮點運算)已經(jīng)成為許多所謂大腦芯片的關(guān)鍵指針。這場競賽的選手包括Nvidia的Xavier、Mobileye的EyeQ5、特斯拉(Tesla)的全自動駕駛(FSD)計算機芯片，以及NXP-Kalray芯片。ybjesmc

然而，有專家認為這種野蠻處理方式并不可持續(xù)。在EE Times的一次獨家專訪中，DeepScale執(zhí)行長Forrest Iandola提出其不可持續(xù)的理由，是因為AI硬件設計師所持有的許多常見假設已經(jīng)過時。隨著AI應用日益增多，AI供貨商從中積累更多的經(jīng)驗，這導致不同的AI任務開始需求不同的技術(shù)方法。如果事實的確如此，AI使用者購買AI技術(shù)的方式將會改變，供貨商也必將做出回應。ybjesmc

ybjesmc

DeepScale執(zhí)行長Forrest Iandolaybjesmc

Iandola表示，就拿神經(jīng)網(wǎng)絡架構(gòu)搜尋(NAS)為例，其快速發(fā)展不僅加快優(yōu)化深度神經(jīng)網(wǎng)絡(DNN)的搜尋過程，并降低這一過程的成本。他相信有一種方法可以“在目標任務和目標運算平臺上建立最低延遲、最高精準度的DNN，”而不是依賴于更大的芯片來處理所有的AI任務。ybjesmc

Iandola設想未來AI芯片或傳感器系統(tǒng)(如計算機視覺、雷達或光達)供貨商不僅提供硬件，而且還會提供自己的高速、高效的DNN——為應用而設計的DNN架構(gòu)。任何供貨商都會為不同的運算平臺匹配各自所需的DNN，如果事實真是如此，那AI競賽中的所有賭注都將失效。ybjesmc

需要明確的是，目前無論是芯片公司還是傳感器供貨商都沒有提出上述前景。甚至很少有人在特定硬件上運作有針對性AI任務的可能性。ybjesmc

Iandola及其DeepScale團隊最近設計了一系列DNN模型，稱為“SqueezeNAS”。在最近的一篇報告中，他們聲稱，當在目標平臺上搜尋延遲時，SqueezeNAS“可以建立更快、更準確的模型”。這篇報告推翻了AI小區(qū)先前對NAS、乘積累加(MAC)運算和將ImageNet精確度應用于目標任務時所做的一些假設。ybjesmc

DeepScale于2015年由Iandola和Kurt Keutzer教授共同創(chuàng)立，是一家位于加州山景城的新創(chuàng)公司，致力于開發(fā)“微型DNN”。兩位聯(lián)合創(chuàng)始人曾在加州大學柏克萊大學分校共事，DeepScale因其快速高效的DNN研究而在科學界備受推崇。ybjesmc

手工設計(Manual designs)

要想真正理解機器學習在計算機視覺方面的最新進展的意義，需要了解其發(fā)展歷史。ybjesmc

還記得AlexNet網(wǎng)絡結(jié)構(gòu)模型在2012年贏得ImageNet影像分類競賽嗎？這為研究人員打開了競爭的大門，讓他們專注于ImageNet研究，并尋找能夠在計算機視覺任務上達到最高精準度的DNN，以此開展競爭。ybjesmc

ybjesmc

ImageNet分類錯誤統(tǒng)計。(數(shù)據(jù)源：ResearchGate)ybjesmc

通常，這些計算機視覺研究人員依靠專家工程師，他們會手工設計快速且高精準度的DNN架構(gòu)。ybjesmc

從2012年到2016年，他們提高了計算機視覺的準確性，但都是透過大幅增加執(zhí)行DNN所需資源來實現(xiàn)這一目標。Iandola解釋，例如，贏得2014年ImageNet比賽冠軍的VGGNet，其使用的運算量是AlexNet的10倍，參數(shù)是AlexNet的2倍。ybjesmc

到2016年，學術(shù)研究界發(fā)現(xiàn)利用增加DNN的資源需求來提高準確性“不可持續(xù)”。SqueezeNet便是研究人員尋找的眾多替代方案之一，由Iandola及其同事在2016年發(fā)表，它展示出在微小預算(低于5MB)參數(shù)下ImageNet的“合理的準確性”。ybjesmc

Squeezenet引發(fā)了兩個重大變化。相對于SqueezeNet和其他早期運算而言，MobileNetV1能夠大幅度減少MAC的數(shù)量，Shufflenetv1是為行動端CPU實現(xiàn)低延遲而優(yōu)化的DNN。ybjesmc

利用機器學習改善機器學習

如前所述，所有這些先進DNN都是透過手工設計和調(diào)整神經(jīng)網(wǎng)絡架構(gòu)開發(fā)而成。由于手工流程需要專業(yè)的工程師大量的除錯，這很快就成為一個成本太高、耗時太久的提議。ybjesmc

因而基于機器學習，實現(xiàn)人工神經(jīng)網(wǎng)絡設計自動化的理念，NAS應運而生。NAS是一種搜尋最佳神經(jīng)網(wǎng)絡架構(gòu)的算法，并改變了AI格局。Iandola稱，“到2018年，NAS已經(jīng)開始構(gòu)建能夠以較低延遲運行的DNN，并且比以前手工設計的DNN產(chǎn)生更高的準確性。”ybjesmc

強化學習(Reinforcement Learning)

隨后，計算機視覺界開始使用基于機器學習的強化方法——強化學習。換句話說，“機器學習得到回饋來改善機器學習，”Iandola解釋。在基于強化學習的NAS下，未經(jīng)訓練的強化學習獲得建議，指定層數(shù)和參數(shù)來訓練DNN架構(gòu)。一旦對DNN進行訓練，訓練運作的結(jié)果將作為回饋，從而推動強化學習執(zhí)行更多DNN來展開訓練。ybjesmc

經(jīng)證明，基于強化學習的NAS是有效的。Google MnasNet就是一個很好的例子，它在ImageNet延遲和準確性方面都優(yōu)于ShuffleNet。但它也有一個關(guān)鍵的弱點：成本太高?；趶娀瘜W習的搜尋通常需要數(shù)千個GPU天(GPU day)，以訓練數(shù)百乃至數(shù)千個不同的DNN，才能生成理想的設計。“Google負擔得起，”Iandola表示，但大多數(shù)其他公司負擔不起。ybjesmc

現(xiàn)實地說，一個基于強化學習的NAS要訓練一千個DNN，每個DNN通常需要一個GPU天?？紤]到目前亞馬遜(Amazon)云端服務平臺的價格，Iandola估計，一個使用基于強化學習的NAS搜尋所花費的云端運算時間可能耗資高達7萬美元。ybjesmc

超級網(wǎng)絡(Supernetwork)

在這種情況下，去年底出現(xiàn)了一種新的NAS類型，稱為基于“超級網(wǎng)絡”的搜尋。它的典型代表包括FBNet(Facebook柏克萊網(wǎng)絡)和SqueezNet。ybjesmc

ybjesmc

搜尋時間減少100倍。(數(shù)據(jù)源：DeepScale)ybjesmc

Iandola解釋：“超級網(wǎng)絡采用一步到位的方法，而不是培訓1,000個獨立的DNN。”例如，一個DNN有20個模塊，每個模塊有13個選項。若為每個模塊選擇一個最喜歡的選項，“你正在以10個DNN訓練運作花費為代價，一次性訓練一個匯集了千兆種DNN設計的DNN，”Iandola解釋。ybjesmc

結(jié)果顯示，基于超級網(wǎng)絡的NAS可以在10個GPU天的搜尋時間內(nèi)建立DNN，其延遲和準確性優(yōu)于MnasNet。“這讓搜尋成本從7萬多美元減少到大約700美元的亞馬遜云端服務GPU時間，”Iandola說。ybjesmc

“10個GPU天”的搜尋時間相當于在一臺如衣柜般大小的8 GPU機器上花費一天的時間，”Iandola解釋。ybjesmc

ybjesmc

基于強化學習與基于超級網(wǎng)絡的NAS比較。(數(shù)據(jù)源：DeepScale)ybjesmc

過時的假設

機器學習的簡短歷史向我們展示神經(jīng)結(jié)構(gòu)搜尋的出現(xiàn)如何為計算機視覺研究奠定基礎(chǔ)。但是在這個過程中，它也反駁了研究團體早期的一些假設，Iandola指出。ybjesmc

那么，哪些假設需要糾正呢？ybjesmc

Iandola稱，大多數(shù)AI系統(tǒng)設計者認為，ImageNet分類中最精確的神經(jīng)網(wǎng)絡可以為目標任務提供最精確的骨干網(wǎng)絡。但計算機視覺包括許多AI任務——從目標檢測、分割和3D空間到目標追蹤、距離估計和自由空間等。“并非所有任務都是平等的，”Iandola強調(diào)。ybjesmc

ImageNet的準確性與目標任務的準確性沒有太緊密的關(guān)聯(lián)。“這沒法保證。”他說。ybjesmc

來看由Iandola團隊創(chuàng)建的SqueezeNet。Iandola解釋，這是一個小型的神經(jīng)網(wǎng)絡，它的ImageNet分類精準度明顯低于VGG，但在“用于辨識一組影像中相似斑塊的任務”時，它比VGG更準確。ybjesmc

隨著分類任務達到極限，Iandola堅信是時候為不同的任務設計不同的神經(jīng)網(wǎng)絡了。ybjesmc

另一個普遍的假設是“在目標運算平臺上減少MAC將產(chǎn)生更低的延遲。”然而，最近的研究說明，減少MAC與減少延遲并無太大關(guān)聯(lián)。“擁有較少MAC的神經(jīng)網(wǎng)絡并不總是能夠?qū)崿F(xiàn)較低的延遲，”Iandola指出。ybjesmc

在Iandola的SqueezeNAS報告中，他堅持認為，不僅僅是不同的AI任務需要不同的DNN。為目標運算平臺(如CPU、GPU或TPU的特定版本)選擇合適的DNN也非常重要。ybjesmc

例如，他引用了為不同智能型手機優(yōu)化網(wǎng)絡的FBNet作者的話。他們發(fā)現(xiàn)DNN在iPhonex上運作得很快，但在三星Galaxy S8上執(zhí)行得很慢。在報告中，Iandola的團隊總結(jié)，“即使MAC的數(shù)量保持不變，不同的卷積維數(shù)也會根據(jù)處理器和核心實現(xiàn)決定運作得更快或更慢。”ybjesmc

對自動駕駛的影響

今天，DeepScale已經(jīng)與多家汽車供貨商建立了合作關(guān)系，包括Visteon、Hella Aglaia Mobile Vision GmbH和其他未透露名稱的公司。DeepScale一直在開發(fā)微型DNN，該公司聲稱，他們在保證最先進的性能的同時，它們需要的運算量更少。ybjesmc

在SqueezNas的報告中，Iandola和他的同事解釋，其團隊使用基于超級網(wǎng)絡的NAS來設計一個用于語義分割的DNN，用于辨識道路、車道、車輛和其他物體的精確形狀等具體任務。“我們對NAS系統(tǒng)進行配置，以優(yōu)化Cityscapes語義分割數(shù)據(jù)集的高精準度，同時在小型車輛級運算平臺上實現(xiàn)低延遲。”ybjesmc

隨著SqueezNAS的發(fā)展，DeepScale對自己的定位是：在優(yōu)化DNN、AI硬件和特定AI任務之間的協(xié)同關(guān)系方面成為先行者。ybjesmc

隨著AI芯片即將席卷市場，Iandola認為系統(tǒng)設計師必須明智地選擇加速器。他們應該確切地考慮硬件應該執(zhí)行哪種AI任務，以及硬件加速器應該在哪種神經(jīng)網(wǎng)絡上運作。ybjesmc

安全攝影機、自動駕駛車和智能型手機都將使用AI芯片?？紤]到每個系統(tǒng)所需的速度、準確性、延遲和應用程序大不相同，確定合適的硬件和NAS就變得至關(guān)重要。ybjesmc

Iandola表示，對于OEM車廠來說，要把一個測試版自動駕駛車變成一個商業(yè)產(chǎn)品，必須把目前儲存在自動駕駛車后行李箱中的刀鋒服務器抽取出來。Iandola預測，汽車制造商可能會要求硬件芯片公司提供適合硬件平臺的優(yōu)化DNN。ybjesmc

對于Nvidia這樣的公司來說，這可能不成問題，因為它的GPU得到了一個大型軟件生態(tài)系統(tǒng)的支持。然而，大多數(shù)其他AI硬件供貨商將會嚇出一身冷汗。ybjesmc

此外，隨著一系列新的傳感器——攝影機、光達和雷達——被設計進自動駕駛車，汽車OEM將面臨一些殘酷的現(xiàn)實，例如，每個傳感器可能使用不同類型的神經(jīng)網(wǎng)絡。另一個例子是，不同品牌設計的光達使用不同的AI硬件。Iandola指出，“今天，無論是傳感器供貨商還是AI處理器公司都沒有提供針對其硬件進行優(yōu)化推薦的神經(jīng)網(wǎng)絡。”ybjesmc

Iandola表示，OEM車廠和一級零組件供貨商將開始要求優(yōu)化DNN，以匹配特定硬件和AI任務，這將無法避免。“我們相信，使用NAS優(yōu)化目標運算平臺上的低延遲變得越來越重要。”ybjesmc

隨著基于超級網(wǎng)絡的NAS出現(xiàn)，NAS的成本已經(jīng)在下降。因此，現(xiàn)在可能是時候讓硬件供貨商開始尋找自己的優(yōu)化DNN。當被問及DeepScale是否計劃透過合作、授權(quán)或為AI硬件公司開發(fā)優(yōu)化DNN來填補這一缺口時，Iandola說，“我們還沒有真正考慮過這個問題。”ybjesmc

(參考原文： Does Your AI Chip Have Its Own DNN?，本文同步刊登于《國際電子商情》姐妹刊 EE Times Taiwan 雜志10月刊)ybjesmc