人工智慧推動神經網路技術開發熱潮
【作者: 盧傑瑞】
神經網路幾乎成了人工智慧的代名詞,正在被應用於各種領域,包括影像識別、語音辨識、自然語言處理、自動駕駛、訊號分析、大數據分析和遊戲。
這是一個瞬息萬變的世界,每年都有新的神經網路模型被更新,大量的開放原始碼到處流傳,專用人工智慧晶片開發企業更是如雨後春筍般湧現。
因此全球研究人員正透過模仿人類大腦組織方式,積極開發類神經網路技術,雖然一直有突破性的進展,但是現階段的神經網路,還是缺乏即時變化的靈活性,以及難以快速適應陌生的狀況,使得神經網路技術普及實用化的進程還是相當遙遠。
根據不同應用開發出的神經網路模型
神經網路是模仿人類神經細胞網路的模型,由輸入層、中間層(隱藏層)和輸出層的神經元,以及連接它們的突觸組成。而機器學習就是在大量資料的基礎上,自動構建連接和它們的權重。
深度學習是指,使用具有多個中間層的神經網路的機器學習。深度學習使電腦能夠提取自己的特徵量,作為發現模式和規則時應該注意些什麼,同時也能進行識別和其他作業,因此促進了人工智慧熱潮。
模型根據應用的不同,又分為影像識別的深度神經網路(DNN)、卷積神經網路(CNN)、語音辨識的迴圈神經網路(RNN)和自然語言處理的Transformer。模型可以在不同的應用中進行整合,也可為每個應用開發出新模型
深度神經網路(DNN)處
DNN的隱藏層由一個卷積層和一個池化層組成。卷積層利用過濾上一層附近的節點,而可得到一個特徵圖。池化層進一步縮小卷積層輸出的特徵圖,得到新的特徵圖,同時可在保持影像特性的同時,可以極大地壓縮影像中的資訊量。例如,在2012年ILSVRC影像識別比賽中,以壓倒性的優勢獲勝,採用八層結構的AlexNet就引發了深度學習的熱潮,隨後經過改進而來的ResNet,其層數就達到了152層。因此,透過導入簡化處理塊的Residual模組,即使是在高層數的結構下,也能達到高效學習。
迴圈神經網路(RNN)
具有自我回饋的遞迴網路RNN,是一個適合處理包括語音波形、視訊和文字檔(字串)等等時間序列資料的神經網路。例如神經網絡中為了處理如語音等,可變長時間序列數據,將隱藏層的值再次回饋輸入到隱藏層。當存取很久以前的數據,或出現運算量爆炸等問題時,可透過應用於自然語言處理的LSTM(長短時記憶)來解決。
Transformer
在自然語言處理方面,既不是透過RNN,也不是CNN,而是據由深度學習的Transformer取得了重大進展:這是一個只使用Attention(表示要注意句子中哪些單詞的分數)的Encoder-Decoder模型,也可透過並行化來減少學習時間。在後續的技術改進下也相繼開發出的BERT、GPT-2、T5等,甚至已超過了人類的語言處理能力。
而Conformer是一個結合CNN的模型,可被應用於語音辨識,其能力已經超過RNN的最高準確性。Conformer結合了善於提取長時空依賴關係的Transformer,和善於提取局部關係的CNN。此外,一個新的影像識別模型-Vision Transformer也被開發出來,在進行影像識別時,所需要的運算資源比CNN少更少。
大型數據處理業者相爭投入開發AI晶片
神經網路中的訊號處理,相當於將神經元乘以權重的數值加在一起,再透過高速運算乘積之和的操作來模仿大腦行為(高速積和加速器)。最近的主流配置是盡可能多鋪設必要數量的圖磚(Tile)來進行AI運算,例如,一個圖磚被用於終端感測器控制,4-16個圖磚用於中等規模的邊緣處理,64個或更多圖磚用於資料中心等伺服器。
人工智慧晶片的功能大致可分為推理和學習。兩者都需要相同的高速乘積運算,但與推理相比,學習需要進行大量的乘積和運算,因此各大數據處理業者正積極投入這方面的研發,例如,Google目前正積極開發TPU來作為本身資料中心的AI晶片。第一代(2017年)有8位元定點操作,只能用於推理,但第二代有16位浮點運算,則可以應用在學習。接下來第三代的性能則是120Tops @ 250W,最新的第四代載板設計了4顆TPU,且採用液體冷卻,運算速度更是上一代的2.7倍。這些電路板被安裝在一個個機櫃內,然後通過高速傳輸線相互連接。
用於推理的人工智慧晶片要求體積小、功耗低和即時處理。例如,Gyrfalco銷售一種形狀像USB隨身碟的AI棒。採用的AI晶片是一款具有矩陣處理引擎,利用PIM(記憶體中處理器)技術來進行神經網路模型的計算處理,這個架構可降低與記憶體和計算電路之間的資料存取的功耗,晶片內部有大約28000個節點和10M bytes的記憶體,據稱能夠將通用模型所需的所有性能都能整合到晶片中。
【欲閱讀更豐富的內容,請參閱2023.3月(第376期)神經網路-為晶片加速!CTIMES雜誌】
延伸閱讀
贊助廣告
商品推薦
udn討論區
- 張貼文章或下標籤,不得有違法或侵害他人權益之言論,違者應自負法律責任。
- 對於明知不實或過度情緒謾罵之言論,經網友檢舉或本網站發現,聯合新聞網有權逕予刪除文章、停權或解除會員資格。不同意上述規範者,請勿張貼文章。
- 對於無意義、與本文無關、明知不實、謾罵之標籤,聯合新聞網有權逕予刪除標籤、停權或解除會員資格。不同意上述規範者,請勿下標籤。
- 凡「暱稱」涉及謾罵、髒話穢言、侵害他人權利,聯合新聞網有權逕予刪除發言文章、停權或解除會員資格。不同意上述規範者,請勿張貼文章。
FB留言