麻省理工開發 NAS 演算法,推動神經網路設計自動化

作者 | 發布日期 2019 年 04 月 04 日 21:53 | 分類 AI 人工智慧 , 尖端科技 follow us in feedly


自 2017 年以來,研究人員一直都在使用演算法來設計更好、更快的 AI 神經網路,這種做法主要是學術上的追求,因為這需要耗費數萬小時的 GPU 時間。但隨著麻省理工下個月即將展示新的演算法,預計將能大幅加快設計速度,並使這類型的算法得到更廣泛的使用。

據了解,麻省理工團隊設計的神經結構搜索(neural architecture search)演算法能夠將改良 AI 過程加速 240 倍或更多,這也將更快、更準確的設計 AI,使其在實際範圍內進行廣泛的圖像辨識和其他相關應用。

麻省理工電子工程和電腦科學助教 Song Han 表示,團隊在模型大小,推理延遲,準確性和容量之間做出了各種權衡,過去人們設計出由人類啟發的神經網路,而新的 NAS 演算法則是將這種方式轉變為基於 AI 的設計方式。

「就像 AI 可以學習下圍棋,AI 也可以學習如何設計神經網路」。

就像 AlphaGo 帶給圍棋界下棋的全新思路一樣,演算法設計 AI 也帶給研究人員設計卷積神經網路(CNN)的新想法。Han 表示,在 NAS 演算法設計出最佳的 CNN 後,最終的系統很可能將圖像分類的速度提高到其他神經架構打造 AI 的 1.8 倍。

Han 表示,NAS 演算法將能為工程師提供了設計神經網路的良好反饋,但這並不代表 AI 能夠構建更強大的自身版本,NAS 演算法永遠不會取代人類工程師,「我們的目的,是減輕設計和改進神經網路架構所帶來的重複性和繁瑣的工作」。

(首圖來源:shutterstock)