MIT：深度学习过度依赖算力将遇“瓶颈”，三年的算法改进才能将算力提高10倍

他们断言，要不断进步，就需要通过对现有技术的更改或通过尚未发现的新方法来“大幅”提高计算效率的深度学习方法。

“深度学习不是偶然的计算代价，而是设计的代价。共同的灵活性使它能够出色地建模各种现象，并且性能优于专家模型，这也使其在计算上的成本大大提高。”“尽管如此，我们发现深度学习模型的实际计算负担要比理论上的（已知）下界更快地扩展，这表明可能有实质性的改进。”

深度学习是机器学习的子领域，涉及受大脑结构和功能启发的算法。这些算法（称为人工神经网络）由功能（神经元）组成，这些功能按层排列，将信号传输到其他神经元。信号是输入到网络中的输入数据的产物，从一层到另一层传播并缓慢地“调谐”网络，实际上是在调整每个连接的突触强度（权重）。网络最终通过从数据集中提取特征并识别交叉样本趋势来学习进行预测。

在他们的研究中，研究人员分析了预印服务器Arxiv.org以及其他基准测试来源的1,058篇论文，以了解深度学习性能与计算之间的联系，并特别关注以下领域：图像分类、目标检测、问题解答，命名实体识别和机器翻译。他们对计算需求进行了两次单独的分析，反映了可用的两种信息：

- 在给定的深度学习模型中，每次网流的计算或单遍传播所需的浮点操作数（即权重调整）。

- 硬件负担或用于训练模型的硬件的计算能力，计算方式为处理器数量乘以计算速率和时间。（研究人员承认，尽管这是一种不精确的计算方法，但在他们分析的论文中，对这种计算方式的报告比其他基准要广泛。）

合著者表示，除从英语到德语的机器翻译（使用的计算能力几乎没有变化）之外，所有基准测试的斜率都很高，并且解释力很强。对象检测、命名实体识别以及机器翻译尤其显示出硬件负担的大幅增加，而结果的改善却相对较小。在流行的开源ImageNet基准测试中，计算能力贡献了图像分类准确度的43％差异。

最后研究人员们得出结论，他们估计——计算能力提高10倍相当于三年的算法改进。他们写道：“总体而言，我们的结果清楚地表明，在深度学习的许多领域中，训练模型的进步取决于所使用的计算能力的大幅提高。”“另一种可能性是，要改进算法本身，可能需要互补地提高计算能力。”

在研究过程中，研究人员还对预测进行了推断，以了解达到各种理论基准所需的计算能力以及相关的经济和环境成本。即使是最乐观的计算，要降低ImageNet上的图像分类错误率，也需要进行105次以上的计算。

深度学习需要的硬件负担和计算次数，背后消耗的是巨额资金花费。一份Synced报告估计，华盛顿大学的Grover假新闻检测模型在大约两周的时间内培训费用为25,000美元。据报道，OpenAI花费了高达1200万美元来训练其GPT-3语言模型，而Google估计花费了6,912美元来训练BERT，这是一种双向转换器模型，可重新定义11种自然语言处理任务的最新水平。

在去年6月的马萨诸塞州大学阿默斯特分校的另一份报告中，得出的结论是，训练和搜索某种模型所需的电量涉及大约626,000磅的二氧化碳排放量。这相当于美国普通汽车使用寿命内排放量的将近5倍。

研究人员还指出，在算法水平上进行深度学习改进已有先例。他们提到了硬件加速器的出现，例如Google的张量处理单元，现场可编程门阵列（FPGA）和专用集成电路（ASIC），并试图通过网络压缩和加速技术来降低计算复杂性。他们还引用了神经体系结构搜索和元学习，它们使用优化来查找在一类问题上保持良好性能的体系结构，以此作为计算上有效的改进方法的途径。

实际上，一项OpenAI研究表明，自2012年以来，每16个月将AI模型训练到ImageNet图像分类中相同性能所需的计算量就减少了一半。Google的Transformer架构超越了seq2（也是由Google开发的模型），在seq2seq推出三年后，计算量减少了61倍。DeepMind的AlphaZero是一个从头开始学习如何掌握国际象棋、将棋和围棋游戏的系统，与一年后该系统的前身AlphaGoZero的改进版本相匹配，其计算量减少了8倍。

“用于深度学习模型的计算能力的爆发已经结束了“人工智能冬天”，并为各种任务的计算机性能树立了新的基准。但是，深度学习对计算能力的巨大需求限制了它可以以目前的形式改善性能的程度，特别是在硬件性能的改善步伐缓慢的时代。”研究人员写道。 “这些计算限制的可能影响迫使机器学习转向比深度学习更高效的技术。”

返回列表