莱斯大学（Rice University）的计算机科学家展示了一种在普通处理器上运行的人工智能软件，它训练深度神经网络的速度是基于图形处理器的平台的 15 倍。
莱斯大学布朗工程学院计算机科学助理教授 Anshumali Shrivastava 表示：“训练成本是人工智能的真正瓶颈，企业每星期都要花上数百万美元，仅仅是为了训练和微调他们的人工智能工作负载。”
Shrivastava 和来自莱斯大学与英特尔的合作者在 4 月 8 日的机器学习系统会议 MLSys 上展示了解决这一瓶颈的研究成果。
深度神经网络是人工智能的一种强大形式，在某些任务上超越了人类。对于深度神经网络的训练通常是一系列矩阵乘法运算，而矩阵乘法运算是图形处理单元（GPU）的理想工作负载，其成本约为通用中央处理单元（CPU）的三倍。
Shrivastava 说：“整个行业都集中在一项改进上：更快的矩阵乘法。所有人都在寻找专门的硬件和架构来推进矩阵乘法。如今，甚至有人说要为特定种类的深度学习提供专用的软硬件组合。与其把整个系统优化的世界都抛到昂贵的算法面前，我还不如这么说：‘让我们重新审视一下算法。’”
Shrivastava 的实验室在 2019 年完成了这项工作，他们将深度神经网络的训练重铸为一个搜索问题，并使用哈希表解决。他们的“次线性深度学习引擎”（sub-linear deep learning engine，SLIDE）是专门为使用普通 CPU 而设计的，由 Shrivastava 和来自英特尔的合作者在 MLSys 2020 上发布，证明了它的性能能够超越基于 GPU 的训练。
不久前，他们在 MLSys 2021 上发表了一项研究，探索了在现代 CPU 中使用向量化和内存优化加速器是否可以提高 SLIDE 的性能。
该研究报告的共同作者，莱斯大学的研究生 Shabnam Daghaghi 说：“基于哈希表的加速性能已经超越了 GPU，但 CPU 也在不断发展，”。他说，“我们利用这些创新让 SLIDE 更进一步，表明如果你不坚持矩阵乘法，你可以利用现代 CPU 的能力，训练人工智能模型的速度比最好的专业硬件替代方案快 4 到 15 倍。”
研究报告的作者之一、莱斯大学本科生 Nicholas Meisburger 称：“CPU 仍然是计算领域最普遍的硬件。在人工智能工作负载中，让它们更有吸引力的好处是不可低估的。”
原文链接：
https://techxplore.com/news/2021-04-rice-intel-optimize-ai-commodity.html
Java 避坑指南：Java 高手笔记代码篇
本迷你书包括 86 个业务开发中常见踩坑点。每一个知识点都相当的实用，是程序员业务开发中的必备避坑指南...
评论