AWS 首席科學家：AWS 如何讓大規模的機器學習更易實現？

前言

2018 年，《麻省理工科技評論》將 EmTech 全球新興科技峰會帶到了中國。在大會現場，來自亞馬遜、高通、英偉達、IBM、麻省理工學院、騰訊、阿里巴巴等等眾多產業界和學術界的專家匯聚一堂，帶來了他們對 AI 的看法，以及他們在 AI 方面取得的進展。今天，我們將與您分享 AWS 首席科學家 Animashree Anandkumar 在大會上的演講 。

這位三歲開始練習印度傳統舞蹈，長大後轉為投身科技界的科學家，在1月28日盛大舉行的 EmTech China 全球新興科技峰會上發表了演講，揭秘了亞馬遜最賺錢的部門——AWS 背後的技術與商業邏輯。以下為整理的演講內容：

多域技術已成為前沿科技的一大領軍技術力量，我非常榮幸在我的博士學位和博士後學位中研究這個話題。今天我會和大家談一談機器學習，怎麼研究和量化機器學習。

深度學習需要經過多層甚至數百層的處理過程，這樣的機器學習也會在不同的 GPU，進行跨機器、跨設備處理，這就需要網路技術。多域模型能夠幫助我們同時處理科學、工程，各種領域方面的應用。我們一直致力於尋求機器學習多域模型的解決方案，以及多領域的應用如何能夠在雲上進行計算。

深度學習跨越了許多的領域。首先我們做的是圖像理解，基礎任務是識別不同的物品。對於人類來說在一張圖片中識別物品很簡單，但是對於機器來說卻是極度困難的。但我們的體系有了很大的改善，也比以往的更有優勢。

之後我們也在語音識別方面取得了突破。針對不同語言的自然語言處理也有了深度學習參與。不同的語言有不同的結構，怎麼才能自動的處理這些不同的語種並理解他們？人類利用語言在不同的背景下進行交流，比如聽說讀寫。在這些過程中，語種的表現方式是不一樣的。機器如何來處理不同的語言呢？這就是深度學習面臨的挑戰。

另一個領域就是關於無人駕駛。怎麼提高其的性能，怎麼識別障礙物，怎麼能夠有很好的視覺，怎樣立即做出決策，這些都是無人駕駛技術需要解決的一些問題，也是深度學習可以發揮作用的地方。

和大家分享一下怎麼運作當前的深度學習模式。深度學習有很廣泛的運用領域，我們有一些專門的項目，也在將它應用到更多不同的硬體基礎設施中。MXNet就是其中的一個深度學習引擎，這個項目首先由大學裡的研究員開發，現在我們正在 AWS 開發這個引擎。

這個引擎的優點是顯而易見的。它建立了一個網路，編程過程、表述、特徵描述、風格都非常靈活、方便，提高了程序員的效率。同時也提供了很好的語言支持，且前後端自動對接，提高了編程的效率。這個網路有一些固定的數據，相互連接的層級會在輸入和輸出之間進行連接。雖然一些專門的項目編程過程比較容易書寫，語流更長，書寫起來象徵物也更多。在計算順序方面，他們有一定的序列關係，我們制定了圖表來自動進行平行的對比。它還實現了記憶進行自動化，這樣在代碼運算時也提高了效率。

我們也用多 GPU 的訓練提升效率。一個機器上面會有多個 GPU 進行數據並行化，可以同時獲得大量的數據。中央數據是來自於不同 CPU 等級上面的網路，數據不斷地向下劃分，進入各個 GPU。

GPU 需要進行處理時發現了相似的內容就會進行整合，也增加了我們的效率。GPU 可以在 MXNet 上面整合運算結果，這樣成本也比較低。同時我們也提升了 MXNet 的性能。增加了 GPU 以後，整個輸入輸出效率也會翻翻。這是在 AWS 基建上運行的，包括 B2X 和 B22X。

所有的服務裡面， MXNet 的效率最高，有91%，包括 ResNet 和 Inception v3 和 AlexNet。這是有多個 GPU 的單一基體。在多基體上每一個機器都有16個 GPU，組合到一起後，所有的數據經過網路就會影響效率。但我們的效率並沒有降低很多，因為 MXNet 它的打造非常緊密，可以提升效率。所以我們可以進行這種分散式的多機器的訓練。這些現在也可以應用於一些情景的運行以及我們多 GPU 和 CPU 的框架之中。我們也希望可以提供這樣的技術給我們的消費者，讓他們知道我們分散式的訓練有非常好的技術包裹，可以幫助我們進行網路壓縮以及網路解壓，提供好的技術服務。

所有的這些框架，都可以應用於我們的機器學習平台 CHMaker。這是多機器學習的一個平台，所有的分散式深度學習框架都可以在這個平台上進行運行，比如說TensorFlow、 MXNet。我們的平台除 MXNet 之外可以支持所有的框架，我們希望可以給我們的用戶更多靈活的選擇。

除此之外，DeepLens 也是我們最近發布的第一款深度學習的攝像頭，可以提供很多的服務，比如語言、語句、計算機視覺等。使用者不需要培訓自己的學習模型，完全可以使用我們的服務。我們整個系統都具有很多的解決方案。感謝 Deep Tech 的邀請！