會(huì)變成什么樣，機(jī)器學(xué)習(xí)如何改變未來十年軟硬件

　　最近，Google Brain員工，TensorFlow產(chǎn)品經(jīng)理Zak Stone在硅谷創(chuàng)業(yè)者社群South Park Commons上做了個(gè)講座，談到了TensorFlow、XLA、Cloud TPU、TFX、TensorFlow Lite等各種新工具、新潮流如何塑造著機(jī)器學(xué)習(xí)的未來。同時(shí)，他還暗示了一些還未向公眾披露的exciting的事兒。

　　講座的題目叫“Tensor Flow, Cloud TPUs, and ML progress”，以下是整個(gè)講座的概要，量子位編譯整理自South Park Commons官方博客。

　　作為一個(gè)平臺(tái)來說，TensorFlow算是一場豪賭：它兼顧了快速，靈活，還可用于生產(chǎn)。實(shí)驗(yàn)和執(zhí)行之間的轉(zhuǎn)換要足夠快，才能保證工程生產(chǎn)力，靜態(tài)圖像計(jì)算通過Python等高級(jí)靈活的語言來表示，同時(shí)圖編譯允許對特定目標(biāo)進(jìn)行準(zhǔn)確度優(yōu)化。

　　作為一個(gè)開源項(xiàng)目，TensorFlow極為成功，它從2015年11月發(fā)布至今在Github上已經(jīng)獲得了超過20,000個(gè)commit。Github版的TensorFlow每周與Google內(nèi)部鏡像文件之間至少會(huì)進(jìn)行一次雙向同步，同時(shí)TensorFlow也收獲了來自Intel，Microsoft，IBM，Rstudio，Minds.ai以及其他公司研發(fā)團(tuán)隊(duì)的大大小小的貢獻(xiàn)。

　　為了更好地觸及用戶，能夠在移動(dòng)端上提高運(yùn)行TensorFlow模型效率的TensorFlow Lite將會(huì)在今年晚些時(shí)候內(nèi)嵌到設(shè)備中，而像是XLA這樣的項(xiàng)目更具野心：XLA使用深度學(xué)習(xí)來支持線性代數(shù)元的先時(shí)和實(shí)時(shí)編譯，從而為任意的目標(biāo)后端系統(tǒng)生成加速過的代碼。XLA的目標(biāo)是在遞階優(yōu)化上實(shí)現(xiàn)重大突破，不僅是在GPU架構(gòu)上，而是要在任意能夠平行放置線性代數(shù)元的架構(gòu)上實(shí)現(xiàn)突破。

　　谷歌內(nèi)部，在CEO Sundar Pichai要成為“AI-first”公司的號(hào)召下，TensorFlow被應(yīng)用到非常多的項(xiàng)目當(dāng)中。

　　而加速研發(fā)基于機(jī)器學(xué)習(xí)軟件的趨勢不僅在Google身上發(fā)生，亞馬遜，蘋果，百度，F(xiàn)acebook，微軟，Salesforce，Uber，Lyft等幾乎所有的主流科技企業(yè)，都雇傭了專業(yè)的研發(fā)團(tuán)隊(duì)來推動(dòng)機(jī)器學(xué)習(xí)的工業(yè)化。而在這些公司中，深度學(xué)習(xí)的開發(fā)平臺(tái)也是五花八門，其中包括來自Facebook的PyTorch和Caffe2，來自Microsoft的CNTK，來自Apple的Core ML以及來自Amazon的MXNet等。

　未來十年，

　　軟件工程會(huì)變成什么樣?

　　機(jī)器學(xué)習(xí)的崛起，意味著原來的clean abstraction和模塊化設(shè)計(jì)正在被高維浮點(diǎn)張量和高效矩陣乘法所取代。

　　按這種趨勢發(fā)展下去，軟件工程行業(yè)將徹底改變。

　　Google軟件工程師D. Sculley曾寫過一篇題為“Machine Learning: The High-Interest Credit Card of Technical Debt”的文章，他在其中列舉出了機(jī)器學(xué)習(xí)系統(tǒng)促進(jìn)低劣軟件設(shè)計(jì)的種種可能，甚至?xí)惯@些低劣的設(shè)計(jì)成為必須。他提到，“這些系統(tǒng)的基本代碼跟正常代碼擁有相同的復(fù)雜度，但在系統(tǒng)層面上擁有更大的復(fù)雜度，從而可能引發(fā)潛在的風(fēng)險(xiǎn)?！?/p>

　　閱讀D. Sculley的文章：https://research.google.com/pubs/pub43146.html

　　機(jī)器學(xué)習(xí)系統(tǒng)通過將所有系統(tǒng)輸入緊密耦合，模糊了模型邊界和抽象：理想的行為不變性不是來自軟件邏輯，而是來自于驅(qū)動(dòng)它們的特定外部數(shù)據(jù)。盡管存在通過靜態(tài)分析和圖連接來辨別代碼可靠性的工具，但總體上，這些工具并沒有辦法用來分析數(shù)據(jù)的相關(guān)性。

　　D Sculley等人在文章中討論了幾種系統(tǒng)設(shè)計(jì)中的劣勢，很能與相關(guān)從業(yè)者產(chǎn)生共鳴：

　　1. Glue Code(粘滯的代碼)系統(tǒng)設(shè)計(jì)樣式，“在這其中需要寫大量的支持代碼負(fù)責(zé)把數(shù)據(jù)傳入、傳出各種用途的安裝包”;

　　2. Pipeline jungles(亂七八糟的流水線)，它會(huì)隨時(shí)間有機(jī)地演變，數(shù)據(jù)準(zhǔn)備系統(tǒng)“可能會(huì)變成由scape，join和sampling步驟組成的一團(tuán)亂麻，通常還伴隨著中間文件的輸出”;

　　3. Configuration debt(龐大的編譯代價(jià))，將會(huì)隨著系統(tǒng)和生產(chǎn)線的研發(fā)而逐漸累積，集合了“各種編譯選項(xiàng)，包括使用的特征有哪些，怎樣篩選數(shù)據(jù)，特定學(xué)習(xí)算法的設(shè)置(范圍很寬)，潛在的預(yù)處理或者后處理，驗(yàn)證方法等等。”

　　即使在更小、更輕量化的項(xiàng)目中，工程師還會(huì)被以下這些問題困擾：

　　1. 在實(shí)驗(yàn)中模型架構(gòu)和權(quán)重的版本——尤其是當(dāng)模型從不同體系借來了部分與訓(xùn)練模型，或者從其他模型借來了權(quán)重的時(shí)候。

　　2. 數(shù)據(jù)來源和特征的版本;

　　3. 在實(shí)驗(yàn)環(huán)境和實(shí)際生產(chǎn)環(huán)境之間的遷移(domain shift);

　　4. 監(jiān)測生產(chǎn)中推斷的質(zhì)量。

　　解決這些問題的一個(gè)可能方案是TFX，它是一個(gè)Google內(nèi)部研發(fā)的平臺(tái)，用來在生產(chǎn)中分布和供應(yīng)機(jī)器學(xué)習(xí)模型：

　　創(chuàng)造和管理一個(gè)可用于可靠地生產(chǎn)和部署機(jī)器學(xué)習(xí)模型的平臺(tái)，需要在很多部件之間進(jìn)行細(xì)致編排——這些部件包括基于訓(xùn)練數(shù)據(jù)生成模型的學(xué)習(xí)器、用于分析和驗(yàn)證數(shù)據(jù)和模型的模塊、以及最終在生產(chǎn)工程中用于部署模型的基礎(chǔ)架構(gòu)。當(dāng)數(shù)據(jù)隨著時(shí)間變化且模型在連續(xù)更新時(shí)，平臺(tái)的管理就變得非常難。

　　不幸的是，這些編排通常是在通過glue code和特定的腳本文件來有針對性的一一處理，導(dǎo)致了復(fù)制成本大、系統(tǒng)脆弱同時(shí)伴隨著大量的技術(shù)隱患。

　　TFX標(biāo)準(zhǔn)化了這些過程和部件，并把它們整合到單個(gè)平臺(tái)上，從而簡化了平臺(tái)編譯的過程，在確保平臺(tái)可靠性、減少服務(wù)崩潰的基礎(chǔ)上，將制作的時(shí)間從數(shù)月減少到了數(shù)周。

　　未來十年，

　　硬件會(huì)變成什么樣?

　　摩爾定律放緩，使得我們得以重新進(jìn)入“架構(gòu)的黃金年代”，見證各式各樣芯片和指令集的飛速發(fā)展。

　　諸如英特爾旗下的Nervana、英偉達(dá)、Cerebras和Google等公司全都開始研發(fā)能夠加速機(jī)器學(xué)習(xí)中線性代數(shù)運(yùn)算的下一代硬件架構(gòu)。且在默認(rèn)情況下，每種架構(gòu)都需要獨(dú)特的、像cuDNN那樣的底層、手動(dòng)優(yōu)化基元庫。(cuDNN全稱是CUDA Deep Neural Network library，是NVIDIA專門針對深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的一套GPU計(jì)算加速庫。)

　　想打破這個(gè)趨勢，需要同行們在XLA等更普適的編譯器框架上下更多功夫。

　　Google的TPU(Tensor Processing Units)目前最有可能打破GPU的統(tǒng)治。每個(gè)Cloud TPU能提供高達(dá)每秒180萬億次的浮點(diǎn)運(yùn)算，64GB的超高帶寬存儲(chǔ)空間以及可串聯(lián)的特性。跟之前超級(jí)計(jì)算機(jī)的架構(gòu)不同，TPU是從零開始設(shè)計(jì)，專門針對機(jī)器學(xué)習(xí)中常見的線性代數(shù)運(yùn)算。

　　TPU是與TensorFlow集成的，Google提供收費(fèi)云端服務(wù)(Cloud TPU)，同時(shí)通過TensorFlow Research Cloud(TFRC)項(xiàng)目，對想要提前使用TPU的機(jī)器學(xué)習(xí)專家進(jìn)行補(bǔ)貼，提供1000個(gè)Cloud TPU，希望他們能通過論文和開源軟件來跟世界分享其研究成果。

　小結(jié)

　　像TensorFlow這樣的圖計(jì)算和深度學(xué)習(xí)庫是未來計(jì)算行業(yè)發(fā)展背后的主要驅(qū)動(dòng)力，這推動(dòng)我們?nèi)ブ匦聦徱曄到y(tǒng)架構(gòu)，從硬件到編譯器再到更高級(jí)的程序語言和設(shè)計(jì)規(guī)范。

　　于是，繁重的工作擺在了軟件架構(gòu)師，工程師、研究人員等從業(yè)者面前，但同時(shí)這過程也很令人興奮。就像Zak在演講中所總結(jié)的一樣：

　　我讀研究生的時(shí)候，這些驚艷的應(yīng)用大都還不可能實(shí)現(xiàn)——當(dāng)人們對機(jī)器學(xué)習(xí)技術(shù)習(xí)以為常，然后開始做一些我們現(xiàn)在預(yù)見不到的事情，會(huì)是什么樣呢?第一批TensorFlow原生的產(chǎn)品會(huì)是什么樣?”