作為ICT的從業(yè)人員，大家都知道有兩個公司是有點臭名昭著，因為他們和SUN Micro公司不一樣，好IT公司養(yǎng)工程師，“壞”公司養(yǎng)律師。Qualcomm和Oracle都是以律師而著名。最近特別是Oracle，更加不養(yǎng)中國的工程師了。

在memory界，也有一個公司有類似的名氣，那就是Rambus。在2019年的Memory+的會議上，他們居然吃了豹子膽，給自己挖了一個深深的坑，《Big Data， AI and the future of Memory》。對于AI來講，目前從應(yīng)用，到框架，再到底層語言和硬件，這是一個百家爭鳴的時代。Nvidia在鞏固了自己在訓(xùn)練上的地位之后，向推理進(jìn)攻，各家初創(chuàng)公司在利用開源框架，占領(lǐng)推理市場，并伺機(jī)向訓(xùn)練進(jìn)攻。[1]

因此，對于任何一種神經(jīng)網(wǎng)絡(luò)來講，實現(xiàn)對于資源的需求的影響還是比較大的，一個神經(jīng)網(wǎng)絡(luò)在不同的框架（Caffe/Pytroch/TensorFlow）上，在不同的硬件平臺上（CPU/GPU/FPGA/ASIC）的需求都多多少少不同。更不要講有成千上萬的AI煉丹師在各種調(diào)參，生成各種定制的網(wǎng)絡(luò)，因此Rambus這種行為和我今天一樣都是一種“無知者無畏”的行動。

從2015年的Resnet之后，大家都認(rèn)為在神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方面，特別是標(biāo)桿性的ImageNet的上，大家沒有太明顯的進(jìn)展了。[2]

因此從2012年以來的ImageNet優(yōu)勝網(wǎng)絡(luò)模型來看，大家的趨勢很明顯，Top-5的錯誤率逐年下降，網(wǎng)絡(luò)的層數(shù)也越來越厚。當(dāng)然還有就是網(wǎng)絡(luò)的parameter，也就是weight和bias 也越來越多。

計算和I/O是目前占主導(dǎo)地位的馮氏體系的核心，和之前在2018年流行的爭論一樣，“深度學(xué)習(xí)的進(jìn)步是（看上圖，YannLeCun的10位數(shù)識別是1998）因為算法的進(jìn)步，還是算力的進(jìn)步”，計算和I/O的那個作用大也是一個“雞蛋問題”。
很有意思的是，很多東西拋開現(xiàn)象看本質(zhì)會有一個別樣的視角。舉個上周學(xué)習(xí)到觀點，對于數(shù)據(jù)庫領(lǐng)域來講，目前workload就是OLTP和OLAP。OLTP的交易的本質(zhì)就是數(shù)據(jù)的I/O，對！就是把你的軟妹幣從你口袋中搬運到淘寶賣家的口袋中去。OLAP的本質(zhì)就是計算，在知道你買了尿布，奶粉之后算出來應(yīng)該給你推送嬰兒車的廣告。

那對于目前比較流行的深度學(xué)習(xí)來講，也可以從同樣的話來總結(jié)?；诰矸e計算的CNN，他的本質(zhì)就是計算，也算出你到底有多少個預(yù)先訓(xùn)練好的元素，這些元素包含形狀，顏色等等。比如，如果你有一個嘴巴，兩個眼睛，和一個鼻子，那就是一個人臉。
還有一種是RNN，RNN的本質(zhì)也是計算和I/O，和CNN的計算上線文無關(guān)，RNN的具體的表現(xiàn)形式為網(wǎng)絡(luò)會對前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計算中。當(dāng)初，Google不顧版權(quán)協(xié)會的反對，數(shù)字化人類的書籍，本質(zhì)上就是理解大家的語言。比如在天朝，如果有一個名詞，開始是“歷害”，大家肯定知道下一個就是“國”了。

因此，不過CNN和RNN，大家都是需要參數(shù)了，也就是“Weights” 和“Bias” 。兩者對于這些參數(shù)的share的方式也很大不同。

CNN是在空間上共享，RNN在時間上共享。因此，問題就來了，這些參數(shù)是怎么出來的呢？他們的大小和性能的要求是多少呢？

先來講對于大小的要求。這里就要從最基本的CNN網(wǎng)絡(luò) Alexnet說起。

仔細(xì)介紹每一層的東西：（對于stride 和padding不熟的，請看CS231n，不知道CS231n的，請打賞，并到此為止）

input：彩色的圖片 227X227X3

Conv-1:第一層的卷積有96個kernel。kernel的大小是11X11，卷積的stride是4，padding是0

MaxPool-1 ：第一層卷積的最大值。Pooling的size是3X3，stride是2

Conv-2:256個kernel，kernel的size是5X5，stride是1，padding是2.

MaxPool-2：第二層卷積的最大值，Pooling是3X3， stride是2

Conv-3: 384個kernel。kernel大小是3X3， stride是1 ，padding是1.

Conv-4：和第三層類似。384 個kernel。3X3，strdie和padding是1.

Conv-5：256個kernel。kernel size 3X3，stride和padding是1.

MaxPool-3：第五層卷積的最大值，Pooling是3X3， stride是2

FC-1：第一個全連接層，有4096個神經(jīng)元

FC-2：第二個全連接，有4096個神經(jīng)元

FC-3: 第三個全連接層，有1000個神經(jīng)元

對于CNN來講，上一層的輸出是這一層的輸入。因此需要把每一層的輸出算清楚。從上面看，每一層的網(wǎng)絡(luò)類型有Input，Conv，Maxpool和FC四類，因此下面的計算也是按四類開始的。

O=（I-K+2P）/S+1

其中：O是輸出的寬度，I是輸入的寬度，K是Kernel的寬度，N是Kernel的數(shù)量，S是stride， P是Padding。N是kernel的數(shù)量。

因此，輸出的image的size就是OXOXN

Output的規(guī)模的計算：

Conv 層的計算：定義如下：

作死用中文解釋一下，就是一個227X277的圖上，我用11X11的小方案從左到右，從上到小描紅一邊。這個描紅，這個11X11小框子每次跳4格，如果跳到邊上沒對齊的話，我用多一行的0來補(bǔ)齊。因此227X227X3的第一層卷積的輸出就是：（227-11+2X0）/4+1=55. image size=55X55X96

MaxPool 的計算：定義如下：

O=（I-ps)/S+1

其中：O是輸出的寬度，I是輸入的寬度， S是stride，ps是Pool size

因此，對于第一層卷積的Maxpooling就是（55-3）/2+1=27 ， image就是27X27X96

FC的計算：一個全連接層的輸出就是一個向量，這個向量的單元數(shù)是它神經(jīng)元的數(shù)量。比如FC-1就是一個4096的向量。

因此，對于一個包含227X227X3的圖片，它的歷程如下：

一開始是227X227X3，過了第一層卷積，就是55X55X96, 之后的MaxPool就是27X27X96. 第二次卷積之后是27X27X256，之后的MaxPooling就是 13X13X256，第三層卷積是13X13X384，之后的第4和5 卷積變成：27X27X256，第3個Maxpooling 變成 6X6X256，之后的FC-1就是4096X1，F(xiàn)C-2不變，最后就是一個1000X1 的向量了。