IBM發(fā)布大數(shù)據(jù)機器學習解決方案,利用GPU一分鐘內處理完30GB訓練數(shù)據(jù)集

　　IBM研究院與瑞士洛桑聯(lián)邦理工學院共同于2017 NIPS Conference發(fā)表大數(shù)據(jù)機器學習解決方案，此方法可以利用GPU在一分鐘內處理完30GB的訓練數(shù)據(jù)集，是現(xiàn)存有限內存訓練方法的10倍。

　　研究團隊表示，機器訓練在大數(shù)據(jù)時代遇到的挑戰(zhàn)是動輒TB等級起跳的訓練數(shù)據(jù)，這是常見卻又棘手的問題，或許一臺有足夠內存容量的服務器，就能將所有訓練數(shù)據(jù)都加載內存中進行運算，但是仍要花費數(shù)小時，甚至是數(shù)周。

　　他們認為，目前如GPU等特殊的運算硬件，的確能有效加速運算，但僅限于運算密集的工作，而非數(shù)據(jù)密集的任務。 如果想要善用GPU運算密集的優(yōu)勢，便需要把數(shù)據(jù)預先加載到GPU內存，而目前GPU內存的容量最多只有16GB，對于機器學習實作來說并不算寬裕。

　　批次作業(yè)看似是一個可行的方法，將訓練數(shù)據(jù)切分成一塊一塊，并且依造順序加載至GPU做模型訓練，不過經實驗發(fā)現(xiàn)，從CPU將數(shù)據(jù)搬移進GPU的傳輸成本，完全蓋過將數(shù)據(jù)放進GPU高速運算所帶來的好處。 ，IBM研究員CelesTIne Dünner表示，在GPU做機器學習最大的挑戰(zhàn)，就是不能把所有的數(shù)據(jù)都丟進內存里面。

　　為了解決這樣的問題，研究團隊開發(fā)為訓練數(shù)據(jù)集標記重要性的技術，因此訓練只使用重要的數(shù)據(jù)，那多數(shù)不必要的數(shù)據(jù)就不需要送進GPU，藉此大大節(jié)省訓練的時間。 像是要訓練分辨狗與貓圖片的模型，一旦模型發(fā)現(xiàn)貓跟狗的差異之一為貓耳必定比狗小，系統(tǒng)將保留這項特征，在往后的訓練模型中都不再重復回顧這個特征，因此模型的訓練會越來越快。 IBM研究員Thomas Parnell表示，這樣的特性便于更頻繁的訓練模型，也能更及時的調整模型。

　　這個技術是用來衡量每個數(shù)據(jù)點對學習算法的貢獻有多少，主要利用二元差距的概念并及時影響調整訓練算法。 將這個方法實際應用，研究團隊在異質平臺（Heterogeneous compute platforms）上，為機器學習訓練模型開發(fā)了一個全新可重復使用的組件DuHL，專為二元差距的異質學習之用。

　　IBM表示，他們的下一個目標是在云端上提供DuHL，因為目前云端GPU服務的計費單位是小時，如果訓練模型的時間從十小時縮短為一小時，那成本節(jié)省將非常驚人。

　?。ㄉ蠄D）圖中顯示了三種算法所需的時間，包含DuHL在大規(guī)模的支持向量機的表現(xiàn)，所使用的數(shù)據(jù)集都為30GB的ImageNet數(shù)據(jù)庫，硬件為內存8GB的NVIDIA Quadro M4000 GPU， 圖中可以發(fā)現(xiàn)GPU序列批次的效率，甚至比單純CPU的方法還要糟，而DuHL的速度為其他兩種方法的10倍以上。