从图像理解到语音识别 是如何研究和量化机器学习的.doc

《从图像理解到语音识别 是如何研究和量化机器学习的.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、从图像理解到语音识别是如何研究和量化机器学习的　　在于北京召开的《麻省理工科技评论》新兴科技峰会EmTechChina上，作为亚马逊旗下最赚钱云服务部门AWS的核心人物，亚马逊AWS首席科学家AnimashreeAnandkumar解读我们该如何研究和量化机器学习。　　深度学习需要经过多层甚至数百层的处理过程，机器学习也会在不同的GPU，进行跨机器、跨设备处理，这就需要网络技术。　　而多域模型能够帮助我们同时处理科学、工程，各种领域方面的应用。亚马逊就一直致力于寻求机器学习多域模型的解决方案，以及多领域的应用如何能够在云上进行计算。　　那么亚马逊是如何运作当前

2、的深度学习模式呢？以下为镁客网整理分享的AnimashreeAnandkumar现场演讲内容：　　深度学习有很广泛的运用领域，我们有一些专门的项目会应用到不同的硬件基础设施中。Mxnet就是其中的一个深度学习引擎，这个项目首先由大学里的研究员开发，现在我们正在AWS开发这个引擎。　　这个引擎的优点是显而易见的。它建立了一个网络，让编程过程、表述、特征描述、风格都非常灵活、方便，提高了程序员的效率。同时也提供了很好的语言支持，且前后端自动对接，提高了编程的效率。　　这个网络有一些固定的数据，相互连接的层级会在输入和输出之间进行连接。在计算顺序方面，他们有一定的序

3、列关系，我们制定了图表来自动进行平行的对比。它还实现了记忆进行自动化，这样在代码运算时也提高了效率。　　我们也用多GPU的训练提升效率。一个机器上面会有多个GPU进行数据并行化，可以同时获得大量的数据。中央数据是来自于不同CPU等级上面的网络，数据不断地向下划分，进入各个GPU。　　GPU需要进行处理时发现了相似的内容就会进行整合，也增加了我们的效率。GPU可以在Mxnet上面整合运算结果，这样成本也比较低。同时我们也提升了Mxnet的性能。增加了GPU以后，整个输入输出效率也会翻番。这是在AWS基建上运行的，包括B2X和B22X。　　所有的服务里面，Mxen

4、t的效率最高，达到了91%，包括Resnet和IncepTIonv3和Alexnet。这是有多个GPU的单一基体。在多基体上每一个机器都有16个GPU，组合到一起后，所有的数据经过网络就会影响效率。但我们的效率并没有降低很多，因为Mxnet的打造非常紧密，可以提升效率。所以我们可以进行这种分布式的多机器的训练。这　　些现在也可以应用于一些情景的运行以及我们多GPU和CPU的框架之中。我们也希望可以提供这样的技术给我们的消费者，让他们知道我们分布式的训练有非常好的技术包裹，可以帮助我们进行网络压缩以及网络解压，提供好的技术服务。　　所有的这些框架，都可以应用于我

5、们的机器学习平台CHMaker。这是多机器学习的一个平台，所有的分布式深度学习框架都可以在这个平台上进行运行，比如说TensorFlow、Mxnet。我们的平台除MxNet之外可以支持所有的框架，我们希望可以给我们的用户更多灵活的选择。　　除此之外，DeepLens也是我们最近发布的第一款深度学习的摄像头，可以提供很多的服务，比如语言、语句、计算机视觉等。使用者不需要培训自己的学习模型，完全可以使用我们的服务。我们整个系统都具有很多的解决方案。