深度學(xué)習(xí)在這十年，甚至是未來幾十年內(nèi)都有可能是最熱門的話題。雖然深度學(xué)習(xí)已是廣為人知了，但它并不僅僅包含數(shù)學(xué)、建模、學(xué)習(xí)和優(yōu)化。算法必須在優(yōu)化后的硬件上運(yùn)行，因?yàn)閷W(xué)習(xí)成千上萬的數(shù)據(jù)可能需要長達(dá)幾周的時(shí)間。因此，深度學(xué)習(xí)網(wǎng)絡(luò)亟需更快、更高效的硬件。

　　眾所周知，并非所有進(jìn)程都能在CPU上高效運(yùn)行。游戲和視頻處理需要專門的硬件——圖形處理器（GPU），信號(hào)處理則需要像數(shù)字信號(hào)處理器（DSP）等其它獨(dú)立的架構(gòu)。人們一直在設(shè)計(jì)用于學(xué)習(xí)（learning）的專用硬件，例如，2016年3月與李世石對(duì)陣的AlphaGo計(jì)算機(jī)使用了由1920個(gè)CPU和280個(gè)GPU組成的分布式計(jì)算模塊。而隨著英偉達(dá)發(fā)布新一代的Pascal GPU，人們也開始對(duì)深度學(xué)習(xí)的軟件和硬件有了同等的關(guān)注。接下來，讓我們重點(diǎn)來看深度學(xué)習(xí)的硬件架構(gòu)。

　　對(duì)深度學(xué)習(xí)硬件平臺(tái)的要求

　　要想明白我們需要怎樣的硬件，必須了解深度學(xué)習(xí)的工作原理。首先在表層上，我們有一個(gè)巨大的數(shù)據(jù)集，并選定了一種深度學(xué)習(xí)模型。每個(gè)模型都有一些內(nèi)部參數(shù)需要調(diào)整，以便學(xué)習(xí)數(shù)據(jù)。而這種參數(shù)調(diào)整實(shí)際上可以歸結(jié)為優(yōu)化問題，在調(diào)整這些參數(shù)時(shí)，就相當(dāng)于在優(yōu)化特定的約束條件。

　　圖片：英偉達(dá)

　　百度的硅谷人工智能實(shí)驗(yàn)室（SVAIL）已經(jīng)為深度學(xué)習(xí)硬件提出了DeepBench基準(zhǔn)，這一基準(zhǔn)著重衡量的是基本計(jì)算的硬件性能，而不是學(xué)習(xí)模型的表現(xiàn)。這種方法旨在找到使計(jì)算變慢或低效的瓶頸。 因此，重點(diǎn)在于設(shè)計(jì)一個(gè)對(duì)于深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本操作執(zhí)行效果最佳的架構(gòu)。那么基本操作有哪些呢？現(xiàn)在的深度學(xué)習(xí)算法主要包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）。基于這些算法，DeepBench提出以下四種基本運(yùn)算：

　　矩陣相乘（Matrix Multiplication）——幾乎所有的深度學(xué)習(xí)模型都包含這一運(yùn)算，它的計(jì)算十分密集。

　　卷積（Convolution）——這是另一個(gè)常用的運(yùn)算，占用了模型中大部分的每秒浮點(diǎn)運(yùn)算（浮點(diǎn)／秒）。

　　循環(huán)層（Recurrent Layers ）——模型中的反饋層，并且基本上是前兩個(gè)運(yùn)算的組合。

　　All Reduce——這是一個(gè)在優(yōu)化前對(duì)學(xué)習(xí)到的參數(shù)進(jìn)行傳遞或解析的運(yùn)算序列。在跨硬件分布的深度學(xué)習(xí)網(wǎng)絡(luò)上執(zhí)行同步優(yōu)化時(shí)（如AlphaGo的例子），這一操作尤其有效。

　　除此之外，深度學(xué)習(xí)的硬件加速器需要具備數(shù)據(jù)級(jí)別和流程化的并行性、多線程和高內(nèi)存帶寬等特性。 另外，由于數(shù)據(jù)的訓(xùn)練時(shí)間很長，所以硬件架構(gòu)必須低功耗。 因此，效能功耗比（Performance per Watt）是硬件架構(gòu)的評(píng)估標(biāo)準(zhǔn)之一。

　　當(dāng)前趨勢與未來走向

　　英偉達(dá)的GPU在深度學(xué)習(xí)硬件市場上一直處于領(lǐng)先地位。圖片：英偉達(dá)

　　英偉達(dá)以其大規(guī)模的并行GPU和專用GPU編程框架CUDA主導(dǎo)著當(dāng)前的深度學(xué)習(xí)市場。但是越來越多的公司開發(fā)出了用于深度學(xué)習(xí)的加速硬件，比如谷歌的張量處理單元（TPU/Tensor Processing Unit）、英特爾的Xeon Phi Knight‘s Landing，以及高通的神經(jīng)網(wǎng)絡(luò)處理器（NNU/Neural Network Processor）。像Teradeep這樣的公司現(xiàn)在開始使用FPGA（現(xiàn)場可編程門陣列），因?yàn)樗鼈兊哪苄П菺PU的高出10倍。 FPGA更靈活、可擴(kuò)展、并且效能功耗比更高。 但是對(duì)FPGA編程需要特定的硬件知識(shí)，因此近來也有對(duì)軟件層面的FPGA編程模型的開發(fā)。

　　此外，一直以來廣為人所接受的理念是，適合所有模型的統(tǒng)一架構(gòu)是不存在的，因?yàn)椴煌哪Ｐ托枰煌挠布幚砑軜?gòu)。 而研究人員正在努力，希望FPGA的廣泛使用能夠推翻這一說法。

　　大多數(shù)深度學(xué)習(xí)軟件框架（如TensorFlow、Torch、Theano、CNTK）是開源的，而Facebook最近也開放其 Big Sur 深度學(xué)習(xí)硬件平臺(tái)，因此在不久的將來，我們應(yīng)該會(huì)看到更多深度學(xué)習(xí)的開源硬件架構(gòu) 。