<mark id="oztn4"></mark>
3
| 本文作者： 李尊 | 2016-07-22 18:46 |
美國時間2016年7月21日，英偉達發布了售價高達1200美元（人民幣超過8000元）的最新顯卡Nvidia TITAN X，并把第一個顯卡送給了他——Andrew Ng（吳恩達）。
美國時間2016年7月21日6:00 PM，在斯坦福教師俱樂部中，英偉達與百度美國研究院舉行了一個小規模的ARIFICIAL INTELLIGENCE MEETUP（人工智能聚會），會上請到了Andrew Ng（吳恩達）——現任百度美國研究員首席科學家，也是現代人工智能研究奠基人之一，以及百度硅谷實驗的的Bryan Catanzaro和Eric Battenberg。
交流會上發布了最新顯卡Nvidia TITAN X，其具體參數如下：
11 TFLOPS FP32
44 TOPS INT8 (新的深度學習架構)
12B晶體管
3584 個CUDA 1.53GHz核心 (之前的TITAN X中只有3072 個1.08GH核心 )
比之前的TITAN X快了60%
最大超頻狀態下高性能表現
12 GB的GDDR5X內存 (480 GB/s)
在這次發布會中，英偉達提到：
每個人都有自己的英雄，Andrew Ng（吳恩達）——深度學習的先行者，現任百度美國研究員首席科學家就是我們心中的英雄之一。現任英偉達CEO黃仁勛（Jen-Hsun Huang）選擇在斯坦福大學與深度學習專家舉行一個小規模的交流會，在會上發布當下性能最強悍的GPU，并且把第一個Nvidia TITAN X顯卡送給Andrew Ng（吳恩達）！
原來早在2012年，Andrew Ng（吳恩達）就將GPU應用到人工智能領域。之后用它建立有史以來第一個深度神經網絡，然后通過觀看1000萬個YouTube視頻來訓練這個人工智能神經網絡。在觀看了超過20000個不同的物體后，使用深度學習算法的人工智能開始能夠認出“貓”的圖片。Andrew Ng（吳恩達）當時接受采訪時提到“與其讓一大幫研究人員努力去探索如何發現圖像邊緣，不如直接將一大堆數據一股腦兒丟給人工智能算法，讓軟件自身從數據中進行學習。”在那之后，GPU在深度學習中的應用不斷加大，到目前為止深度學習系統的運行速度已提高了近50倍。
Andrew Ng（吳恩達）與其他研究學者通過使用GPU來進行深度學習給整個業界帶了翻天覆地的變化，所以英偉達認為第一個TITAN X顯卡給Andrew Ng（吳恩達）相當有意義。
在交流會中Andrew Ng（吳恩達）認為就像100年前電力的發明改變了整個工業界并且持續帶來技術革新一樣，接下來的十年里人工智能（ARIFICIAL INTELLIGENCE）將會持續改變并革新所有行業。但是在人工智能（ARIFICIAL INTELLIGENCE）行業中，使用最尖端的研究設備是非常必要的。Andrew Ng（吳恩達）認為如果你能擁有一臺2倍速度的學習機器，那你的研究出成果的速度也會提高2倍。這是否意味著當下的深度學習已經到了拼硬件、拼財力的程度了？
與此同時，與會人員超過500位學者、研究員以及學生全部聚集在斯坦福教師俱樂部中。當黃仁勛宣布發布最新一代的GPU時，他們全部都變得十分興奮、激動并馬上拿起手機拍照分享。這是為什么呢？
因為目前在深度學習領域中，GPU發揮了相當重要的作用。以前需要大量的CPU以及超級計算機進行的運算工作，現在只需要少數GPU組合就可以完成。這大大加速了深度學習領域的發展，為神經網絡進一步發展提供了計算基礎。熟悉深度學習的人都知道，深度學習是需要訓練的，所謂的訓練就是在成千上萬個變量中尋找最佳值的計算。這需要通過不斷的嘗試實現收斂，而最終獲得的數值并非是人工確定的數字，而是一種常態的公式。通過這種像素級的學習，不斷總結規律，計算機就可以實現像像人一樣思考。如今，幾乎所有的深度學習(機器學習)研究者都在使用GPU進行相關的研究。
深度學習是利用復雜的多級「深度」神經網絡來打造一些系統，這些系統能夠從海量的未標記訓練數據中進行特征檢測。 雖然機器學習已經有數十年的歷史，但是兩個較為新近的趨勢:
海量訓練數據
GPU 計算所提供的強大而高效的并行計算能力
這些大大促進了機器學習的廣泛應用。人們利用 GPU 來訓練這些深度神經網絡，所使用的訓練集大得多，所耗費的時間大幅縮短，占用的數據中心基礎設施也少得多。GPU 還被用于運行這些機器學習訓練模型，以便在云端進行分類和預測，從而在耗費功率更低、占用基礎設施更少的情況下能夠支持遠比從前更大的數據量和吞吐量。
將 GPU 加速器用于機器學習的早期用戶包括諸多規模的網絡和社交媒體公司，另外還有數據科學和機器學習領域中一流的研究機構。 與單純使用 CPU 的做法相比，GPU 具有數以千計的計算核心、可實現 10-100 倍應用吞吐量，因此 GPU 已經成為數據科學家處理大數據的處理器。例如下圖中使用GPU加速深度學習與CPU進行對比：
Ian Lane 教授 —卡耐基梅隆大學
借助 GPU，預先錄制的語音或多媒體內容的轉錄速度能夠大幅提升。與 CPU 軟件相比，執行識別任務的速度超級高可提升 33 倍。
在這些領域中，GPU確實是非常適合的，這也體現在所有的這些工業界的大佬如BAT、Google、Facebook等等都在使用GPU在做訓練。做深度神經網絡訓練需要大量模型，然后才能實現數學上的收斂。深度學習要真正接近成人的智力，它所需要的神經網絡規模非常龐大，它所需要的數據量，比做語言識別、圖像處理要多得多，希望Andrew Ng（吳恩達）在收到這份禮物后能用它來進一步加速深度學習領域的發展。
與此同時，也有部分人認為雖然利用GPU來進行深度學習為人工智能領域做出了相當巨大的貢獻，但是這也造成了現在幾乎所有的相關學者都在追捧深度學習。誠然利用更先進的GPU、更快的運算速度就能實現比前人更好的實驗結果，也更容易發表文章，但是這對于整個行業的進步是最好的么？這類觀念也不由得讓人思考，深度學習的未來該往哪個方向走。
PS : 本文由雷鋒網獨家編譯，未經許可拒絕轉載！
via Nvidia Blog Twitter
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
