爱思助手

苹果发布 DeepPCR 机器学习算法:加速神经网络训练和推理能力

近日,苹果公司发布了 DeepPCR 机器学习算法,通过并行处理常规顺序操作,加速神经网络的推理和训练。


神经网络已能处理文本或图片合成、分割和分类等复杂任务。不过由于计算需求过大,神经网络训练和反馈结果的时间可能需要数天或者数周。


神经网络处理过程中,目前广泛采取并行化技术,可以加速训练和推理速度。不过神经网络中的一些操作仍然是按顺序完成的,扩散模型通过一系列的去噪阶段生成输出,并且逐层进行向前和向后传递,随着步骤数的增加,这些进程的顺序执行在计算上变得昂贵,可能会导致计算瓶颈。


苹果公司科研团队为了解决这个问题,推出了 DeepPCR 算法,进一步加速了神经网络的训练和推理。该团队采用了平行循环还原(PCR)算法来检索该解决方案,将顺序过程的计算成本从 O(L)降低到 O(log2 L),降低了复杂性,提高了运行速度。


苹果发布 DeepPCR 机器学习算法:加速神经网络训练和推理能力


团队表示,多层感知器中部署 DeepPCR 算法之后,并行化前向和后向通过,实现了最高 30 倍的前向传递速度和最高 200 倍的向后传递速度。


DeepPCR 算法主要结论如下:


DeepPCR 是一种用于在神经网络训练和推理中并行化顺序过程的创新方法。它的主要特点是能够将计算复杂度从 O(L) 降低到 O(log2 L),其中 L 是序列长度。


DeepPCR 已用于并行化多层感知器 (MLP) 中的前向和后向传递,还对该技术的性能进行了广泛的分析,以确定该方法的高性能状态,同时考虑基本设计参数。


DeepPCR 已被用于加速 MNIST 上的深度 ResNet 训练,以及在 MNIST、CIFAR-10 和 CelebA 数据集上训练的扩散模型的生成。结果表明,虽然 DeepPCR 显示出显著的加速,将 ResNet 训练的数据恢复速度提高了 7×,扩散模型创建速度提高了 11×。


特别声明:本文版权归文章作者所有,仅代表作者观点,不代表爱思助手观点和立场。本文为第三方用户上传,仅用于学习和交流,不用于商业用途,如文中的内容、图片、音频、视频等存在第三方的知识产权,请及时联系我们删除。