由 dawei 北卡罗莱纳州立大学的研究人员已经开发出一种技术，可以在不牺牲准确性的情况下将深度学习网络的培训时间减少60%以上，从而加速了新的人工智能(AI)应用程序的开发。
“深度学习网络是从无人驾驶汽车到计算机视觉技术的所有应用程序中AI应用程序的核心，” NC State计算机科学教授，该论文的合著者沉锡鹏说。
“开发新的AI工具面临的最大挑战之一是训练深度学习网络识别和响应与其应用相关的数据模式所需的时间和计算能力。我们提出了一个解决方案。一种称为“加速深度重用”的方法来加快该过程。我们已经证明，它可以将训练时间减少多达69%，而不会降低准确性。”
训练深度学习网络涉及将数据样本分解为连续数据点的块。考虑一个旨在确定给定图像中是否有行人的网络。该过程开始于将数字图像划分为彼此相邻的像素块。每个数据块都通过一组计算过滤器运行。然后，结果将通过第二组过滤器运行。这将反复进行，直到所有数据都通过所有过滤器，从而使网络可以得出有关数据样本的结论。
对数据集中的每个数据样本完成此过程后，称为时期。为了微调深度学习网络，该网络可能会在数百个纪元内遍历同一数据集。许多数据集包含成千上万的数据样本。对大量数据应用大量过滤器的大量迭代意味着训练深度学习网络需要大量的计算能力。
当沈氏的研究团队意识到一个数据集中的许多数据块彼此相似时，出现了突破性的时刻。例如，一个图像中的蓝天补丁可能与同一图像中其他地方的蓝天补丁或同一数据集中的另一图像中的蓝天补丁相似。