「突破」深度學習計算消耗降低95%，KDD2017哈希法研究加速神經網路進化

新智元報道

美國萊斯大學（Rice University ）的計算機科學家通過使用被廣泛使用的快速數據查找技術，以大幅度減少深度學習所必需的計算量，進而大大地節約了能源和時間。

萊斯大學計算機科學家已經採用了廣泛使用的快速數據查找技術，以減少計算量，從而減少了深度學習所需的能量和時間，這是一種計算強大的機器學習形式。

「這能運用到任何一種深度學習架構中，並且，其技巧是亞線性擴展的，也就是說，運用的神經網路越大，能節省的計算資源就會越多」，萊斯大學計算機科學系助理教授、該研究的第一作者 Anshumali Shrivastava 介紹說。

研究將會出現在2017年的 KDD 會議上，會議將於8月在Nova Scotia的Halifax 舉辦。這一研究解決了谷歌、Facebook 和 微軟等這些爭先恐後地希望搭建、訓練和部署大規模的深度神經網路的科技巨頭最緊迫的需求之一。它們希望用深度學習來滿足越來越多的產品需求，如自動駕駛汽車，語言翻譯和智能回複電子郵件等。

Shrivastava和 Rice 大學的研究生 Ryan Spring 證明，「哈希」（Hashing）技術是一種真實的數據索引方法，可以大大減少深度學習的計算消耗。「哈希」 涉及使用智能散列函數將數據轉換為可管理的小數，稱為哈希。哈希被存儲在表格中，其運行方式就好像紙質書中的索引。

「我們的方法混合了兩種技術：一個局部敏感哈希 clever 變數，以及一個稀疏的反向傳播。這樣就能在不大量地降低準確率的情況下，減少必要的計算消耗。Spring 說，「比如，在小規模的測試中，我們發現在標準方法下，能在準確率損失控制在1%的情況下，將計算能耗減少95%。」

深度學習網路的基礎建造模塊是一個人造神經元。雖然1950年代，生物神經元的首先被發現，但是，人造神經元只是一個數學函數和等式，建立在大量的數據之上，可以轉化為輸出。

在機器學習中，所有的神經元都從一張白紙的「空」狀態開始，在訓練過程中變得特異化（specialized）。在訓練期間，網路被「給予」大量數據，每個神經元都成為識別數據中特定模式的專家。在最低層，神經元執行最簡單的任務。例如，在照片識別應用中，低級神經元可能識別來自暗處的光線或物體的邊緣。這些神經元的輸出被傳遞到網路下一層的神經元中，這些神經元又會以其特有的方式搜索它們會識別的特徵。

只有幾層的神經網路就可以學習識別人臉、各種犬類、停車標誌和校車。

Shrivastava 說：「向網路的每層增加更多的神經元可以增強其表現力（expressive power），而且我們想要網路有多大這一點沒有上限。」

據報道，谷歌正在嘗試訓練一個擁有 1370 億個神經元的網路。相比之下，訓練和部署這樣的網路需要的計算力是有限的。

Shrivastava 說，目前使用的大多數機器學習演算法都是 30 到 50 年前開發的，在設計的時候沒有考慮到計算的複雜性。但是，有了大數據之後，對於計算周期、能源和內存等資源來說，就存在著基本的限制，而「我們的實驗室側重於解決這些限制。」

Spring 表示，在大規模深度網路中，hashing 帶來的計算和節能將會更大。

Spring 說，由於他們利用大數據中固有的稀疏性，因此能量的節省會隨著網路規模的增加而增加。「假設一個深度網路有 10 億個神經元，對於任何一個給定輸入——例如一張狗的圖片——只有少部分神經元會被激活。

在數據科學的術語中，這就叫做稀疏性（sparsity），而正因為有了稀疏性，他們的方法節省的能量會隨著網路規模的擴大而增加。

「所以，1000 個神經元的網路我們能節能 95％，根據數學推導，10 億個神經元的網路我們就能節能 99%。」

原文：https://phys.org/news/2017-06-scientists-slash-deep.html#jCp

Ryan Spring (左) 和 Anshumali Shrivastava.

通過隨機哈希實現可擴展、可持續的深度學習

這篇論文《通過隨機哈希實現可擴展、可持續的深度學習》（Scalable and Sustainable Deep Learning via Randomized Hashing），已經作為 Oral 被 KDD 2017 接收。

雖然論文的同行評議版本要到 KDD 召開時才能得知，通過網上的資料，我們可以看到去年底 Spring 在 arXiv 上傳的論文預印版（地址：https://arxiv.org/pdf/1602.08194.pdf）。

下面是論文的摘要。

為了從複雜的數據集中學習，當前深度學習框架越來越大。這些框架需要進行巨大的矩陣乘法運算來訓練數百萬個參數。與此相反，另一個呈增長的趨勢是將深度學習帶入低功耗、嵌入式設備。為了訓練和測試深度網路而進行的相關矩陣運算，從計算和能量消耗的角度看是非常昂貴的。我們提出了一種基於 Hashing 的新技術，大幅減少了訓練和測試神經網路所需的計算量。我們的方法結合了最近提出的兩大概念，即自適應 dropout 和最大內部搜索（MIPS）隨機 Hashing，有效選擇網路中具有最高激活的節點。

這一新深度學習演算法通過在（數量明顯更少的）稀疏節點上運行，減少前向和後向傳播步驟的總體計算成本。因此，我們的演算法在保持原始模型平均精度 1％ 的同時，僅使用總乘法的 5％。

論文提出的基於 Hashing 的反向傳播演算法，一個獨特屬性是 update 總是稀疏的。而由於稀疏梯度 update，我們的演算法非常適合異構和並行訓練。通過在幾個真實數據集上進行嚴格的實驗評估，我們證明了提出的演算法具有可擴展性和可持續性（能量效率高）。

神經網路進行隨機哈希的視覺展示

圖1：從圖中可見，神經網路 Low-Rank 假設需要的參數數量自然會更少

圖2：對神經網路進行隨機哈希的視覺展示。① 建一個哈希表，方法是對每個隱藏層（一次迭代）的權重做哈希。② 使用該層的隨機哈希函數對該層的輸入做哈希。③ 查詢這一層的哈希表，獲取激活數據集 AS。④ 僅在激活神經元上做前向和後向傳播。⑤ 更新 AS 權重和哈希表。

56 核的英特爾 Xeon ES-2697 處理器上的性能比較

圖7：一個標準網路使用我們的方法（隨機哈希）和使用異構隨機梯度下降，在 56 核的英特爾 Xeon ES-2697 處理器上的性能比較。我們依次在 MNIST、NORB、Convex 和 Rectangles 數據集上進行了測試。所有網路的初始值都是一樣的。

圖8：新方法（LSH-5%）使用異構隨機梯度下降每步（per epoch）獲得的掛鐘時間。我們用一個有 3 層隱藏層的網路，依次在 MNIST、NORB、Convex 和 Rectangles 數據集上進行了測試。Convex 和 Rectangles 數據集上增量較少，是因為在整個過程中可用的訓練樣本不夠多。實驗中只使用了 5% 的標準網路計算量。

更多內容，請見論文預印版（地址：https://arxiv.org/pdf/1602.08194.pdf）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！