初创公司推出新算法！让通用CPU深度学习速度比英伟达GPU V100还要快！
来源：EETOP编译整理
当谈到人工智能/机器学习（AI/ML）时，开发人员通常会求助于基于 GPU 的加速器，而不是通用处理器 (CPU)。这些开发人员必须在专用硬件上进行大量投资，而当下一代算法出现时，这些硬件的价值往往会下降。
NVIDIA 宣称 V100 的训练吞吐量是普通 CPU 的 32 倍
据称，SLIDE算法在CPU上获得的训练结果比在英伟达V100等硬件加速器上更快。性能更高的CPU对下一代GPU意味着什么? 这家初创公司的最大诉求是什么?
ThirdAI的背景
凭借其独特的“SLIDE”算法，ThirdAI 计划改变现有的 AI 深度学习范式。
ThirdAI由副教授AnshumaliShrivastava共同创办，它的成功源于莱斯大学的研究。
ThirdAI 联合创始人 Anshumali Shrivastava
" 英特尔告诉我们，他们可以与我们合作，使其训练得更快，现在看来他们是对的。在他们的帮助下，我们的结果提高了约50%。"
SLIDE的主要性能指标
据称，SLIDE比现有最好的Tensorflow GPU硬件快3.5倍，比Tensorflow CPU的性能提高10倍。尽管研究人员使用的CPU型号还不太清楚目前可知使用的一个"44核 "CPU。
分析下拉英特尔至强22核处理器E5-2699V4与莱斯大学研究人员使用的处理器最为接近的。这个CPU是一个22核44线程的处理器。不管确切的CPU是什么，SLIDE声称是人工智能训练的一个突破性算法。那么，它是如何工作的呢？
次线性深度学习引擎的内部工作原理
在最基本的层面上，SLIDE 使用采样哈希表，特别是修改后的局部敏感哈希（LSH），来快速查询神经元 ID 以进行激活，而不是逐个矩阵计算整个网络矩阵。它将这种技术与另一种称为自适应 dropouts 的技术相结合，后者用于提高神经网络中的分类性能。
使用散列进行特定神经元采样
无论batch size如何，SLIDE 都保持着时间上的优势
通过使用多核 CPU 处理和优化——以及局部敏感散列 (LSH) 和adaptive dropouts——SLIDE 实现了O(1) 或恒定时间复杂度，无论batch size如何。
深度学习CPU 会翻身么？
硬件加速器价格昂贵，高端平台的成本超过 100,000 美元（而 E5-2699V4 为 4,115 美元）。对成本高昂的高性能图形处理器的需求让英伟达(NVIDIA)等制造商变得更加强大。
然而，随着 AI 训练数据集的不断增长，每次收敛所需的矩阵乘法也在不断增长。当 AI 模型发生变化时，为运行当前 AI 模型而对专用硬件的投资可能会很快失效。
最后，由于成本在工程中占主导地位，在通用处理器上运行工业规模的深度学习的能力可能是一个“杀手锏”。如果 SLIDE 继续被证明是可行的，那么像英特尔这样的公司可能会长期获得回报。
原文：
https://www.allaboutcircuits.com/news/software-startup-thirdai-reimagines-cpus-not-gpus-as-host-for-advanced-ai/
关注创芯人才网，搜索职位
关注创芯大讲堂，祝您IC技能更上一层楼！