基于CPU的算法将深度神经网络培训高达15倍，而不是顶部GPU

赖斯大学计算机科学家展示了在商品处理器上运行的人工智能（AI）软件，并在基于图形处理器的平台上速度快15次培训深度的神经网络。 ＆＃34;培训成本是AI，＆＃34的实际瓶颈; Anshumali Shrivastava是米饭＆＃39;布朗工程学院的计算机科学助理教授。 ＆＃34;公司每周花费数百万美元才能训练和微调他们的AI工作负载。＆＃34;

ShrivaStava和ShivaStava和来自Rice和Intel的合作者将呈现研究，该研究在机器学习系统会议MLSYS上解决了瓶颈8月8日。

深度（DNN）是一种强大的形式，可以在一些任务中优于人类。 DNN培训通常是一系列操作，是图形处理单元（GPU）的理想工作负载，比通用中央处理单元（CPU）的成本大约需要三倍。

＆＃34;整个行业都是关于一种改进 - 更快的矩阵乘法，＆＃34; Shrivastava说。 ＆＃34;每个人都在看专业的硬件和架构来推送矩阵乘法。人们现在甚至谈论有专门的硬件 - 软件堆栈，用于特定的深度学习。而不是占据昂贵的算法，并在它上抛出整个系统优化世界，而不是＆＃39;＆＃39;让＆＃39; s重新审视算法。＆＃39;＆＃34;

ShrivaStava＆＃39; S实验室在2019年做了，重用DNN培训作为可以用哈希表解决的搜索问题。他们的＆＃34;子线性深度学习引擎＆＃34; （幻灯片）专门设计用于在商品CPU上运行，并且当在MLSYS 2020揭开时，英特尔的ShivaStava和合作者显示它可能会占GPU的训练。

本周在MLSYS 2021的情况下，他们在MLSYS 2021探索了幻灯片和＃39; S性能是否可以改善现代CPU中的矢量化和记忆优化加速器。

＆＃34;基于哈希表的加速已经胜过GPU，但CPU也在不断发展，＆＃34;该研究生Shabnam Daghaghi学习学习，一名稻米研究生。 ＆＃34;我们利用这些创新进一步吸引幻灯片，表明如果您在矩阵乘法中竞争，您可以利用现代CPU和火车AI模型的电源，比最佳专业硬件快4到15倍替代品。＆＃34;

研究共同作者Nicholas Meisburger，米本科，说＆＃34; CPU仍然是计算中最普遍的硬件。 使它们对AI工作负载更有吸引力的好处无法低估。＆＃34; Citation：CPU算法培训深度神经网络速度快于Top GPU培训师（2021，4月7日）从HTTPS://techxplore.com/news/2021-04-Rice-Intel-Optimize-ai-检索到的GPU培训师（2021，4月7日） Commodity.html. 本文件受版权保护。 除了私人学习或研究目的的任何公平交易外，没有书面许可，没有任何部分。 内容仅供参考。