在與李世石大戰(zhàn)之后，AlphaGo全新升級，并把下一個目標(biāo)鎖定為九段棋手柯潔，這注定又將是一場劃時代大戰(zhàn)。在這里，“升級”可以理解為深度學(xué)習(xí)的成果，而深度學(xué)習(xí)已經(jīng)成為人工智能時代的入口。
谷歌DeepMind旗下全新升級的AlphaGo，F(xiàn)acebook的人工智能計算服務(wù)器Big Sur，越來越“聰明”的IBM人工智能Watson，微軟的“深度殘差學(xué)習(xí)”，科大訊飛的“語音深度學(xué)習(xí)”——國內(nèi)外行業(yè)巨頭步伐異常統(tǒng)一，紛紛在語音識別、圖像識別、自然語言處理等領(lǐng)域拓展深度學(xué)習(xí)版圖。
簡單地說，深度學(xué)習(xí)通過構(gòu)建深層神經(jīng)網(wǎng)絡(luò)，模擬人類大腦的工作原理。如圖所示，深層神經(jīng)網(wǎng)絡(luò)由一個輸入層，數(shù)個隱層，以及一個輸出層構(gòu)成。每層有若干個神經(jīng)元，每個神經(jīng)元模擬人類的神經(jīng)細(xì)胞，而結(jié)點之間的連接模擬神經(jīng)細(xì)胞之間的連接。
深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
可以將深度學(xué)習(xí)理解為大腦的“構(gòu)建”，雖然潛力無限，但是門檻不可謂不高。
首先，深度學(xué)習(xí)網(wǎng)絡(luò)模型復(fù)雜，計算量大。以DNN(深度神經(jīng)網(wǎng)絡(luò))為例，它需要模擬人腦的計算能力，而人腦包含100多億個神經(jīng)細(xì)胞，這要求DNN中神經(jīng)元多，神經(jīng)元間連接數(shù)量也相當(dāng)驚人，如此龐大的計算量需要高性能的硬件以及軟件系統(tǒng)提供支撐。
一方面，在深度學(xué)習(xí)系統(tǒng)中，GPU是提升計算性能的關(guān)鍵選擇，代碼寫入并讀取變量、執(zhí)行指令、啟動函數(shù)調(diào)用等都是GPU把控之事。當(dāng)前CPU只有4核或者6核，模擬出8個或者12個處理線程來進(jìn)行運算，但是普通級別的GPU就包含了成百上千個處理單元，這對于多媒體計算中大量的重復(fù)處理過程有著天生的優(yōu)勢。即使如此，并不表示所有GPU都適合深度學(xué)習(xí)，開發(fā)人員需要根據(jù)項目需求做出GPU選擇。