美国莱斯大学（Rice University ）的计算机科学家通过使用被广泛使用的快速数据查找技术，以大幅度减少深度学习所必需的计算量，进而大大地节约了能源和时间。

莱斯大学计算机科学家已经采用了广泛使用的快速数据查找技术，以减少计算量，从而减少了深度学习所需的能量和时间，这是一种计算强大的机器学习形式。

“这能运用到任何一种深度学习架构中，并且，其技巧是亚线性扩展的，也就是说，运用的神经网络越大，能节省的计算资源就会越多”，莱斯大学计算机科学系助理教授、该研究的第一作者 Anshumali Shrivastava 介绍说。

研究将会出现在2017年的 KDD 会议上，会议将于8月在Nova Scotia的Halifax 举办。这一研究解决了谷歌、Facebook 和 微软等这些争先恐后地希望搭建、训练和部署大规模的深度神经网络的科技巨头最紧迫的需求之一。它们希望用深度学习来满足越来越多的产品需求，如自动驾驶汽车，语言翻译和智能回复电子邮件等。

Shrivastava和 Rice 大学的研究生 Ryan Spring 证明，“哈希”（Hashing）技术是一种真实的数据索引方法，可以大大减少深度学习的计算消耗。“哈希” 涉及使用智能散列函数将数据转换为可管理的小数，称为哈希。哈希被存储在表格中，其运行方式就好像纸质书中的索引。

 “我们的方法混合了两种技术：一个局部敏感哈希 clever 变量，以及一个稀疏的反向传播。这样就能在不大量地降低准确率的情况下，减少必要的计算消耗。Spring 说，“比如，在小规模的测试中，我们发现在标准方法下，能在准确率损失控制在1%的情况下，将计算能耗减少95%。”

深度学习网络的基础建造模块是一个人造神经元。虽然1950年代，生物神经元的首先被发现，但是，人造神经元只是一个数学函数和等式，建立在大量的数据之上，可以转化为输出。

在机器学习中，所有的神经元都从一张白纸的“空”状态开始，在训练过程中变得特异化（specialized）。在训练期间，网络被“给予”大量数据，每个神经元都成为识别数据中特定模式的专家。在最低层，神经元执行最简单的任务。例如，在照片识别应用中，低级神经元可能识别来自暗处的光线或物体的边缘。这些神经元的输出被传递到网络下一层的神经元中，这些神经元又会以其特有的方式搜索它们会识别的特征。

只有几层的神经网络就可以学习识别人脸、各种犬类、停车标志和校车。

Shrivastava 说：“向网络的每层增加更多的神经元可以增强其表现力（expressive power），而且我们想要网络有多大这一点没有上限。”

据报道，谷歌正在尝试训练一个拥有 1370 亿个神经元的网络。相比之下，训练和部署这样的网络需要的计算力是有限的。

Shrivastava 说，目前使用的大多数机器学习算法都是 30 到 50 年前开发的，在设计的时候没有考虑到计算的复杂性。但是，有了大数据之后，对于计算周期、能源和内存等资源来说，就存在着基本的限制，而“我们的实验室侧重于解决这些限制。”

Spring 表示，在大规模深度网络中，hashing 带来的计算和节能将会更大。

Spring 说，由于他们利用大数据中固有的稀疏性，因此能量的节省会随着网络规模的增加而增加。“假设一个深度网络有 10 亿个神经元，对于任何一个给定输入——例如一张狗的图片——只有少部分神经元会被激活。

在数据科学的术语中，这就叫做稀疏性（sparsity），而正因为有了稀疏性，他们的方法节省的能量会随着网络规模的扩大而增加。

“所以，1000 个神经元的网络我们能节能 95％，根据数学推导，10 亿个神经元的网络我们就能节能 99%。”

原文：https://phys.org/news/2017-06-scientists-slash-deep.html#jCp

Ryan Spring (左) 和 Anshumali Shrivastava.

这篇论文《通过随机哈希实现可扩展、可持续的深度学习》（Scalable and Sustainable Deep Learning via Randomized Hashing），已经作为 Oral 被 KDD 2017 接收。

虽然论文的同行评议版本要到 KDD 召开时才能得知，通过网上的资料，我们可以看到去年底 Spring 在 arXiv 上传的论文预印版（地址：https://arxiv.org/pdf/1602.08194.pdf）。

下面是论文的摘要。

为了从复杂的数据集中学习，当前深度学习框架越来越大。这些框架需要进行巨大的矩阵乘法运算来训练数百万个参数。与此相反，另一个呈增长的趋势是将深度学习带入低功耗、嵌入式设备。为了训练和测试深度网络而进行的相关矩阵运算，从计算和能量消耗的角度看是非常昂贵的。我们提出了一种基于 Hashing 的新技术，大幅减少了训练和测试神经网络所需的计算量。我们的方法结合了最近提出的两大概念，即自适应 dropout 和最大内部搜索（MIPS）随机 Hashing，有效选择网络中具有最高激活的节点。

这一新深度学习算法通过在（数量明显更少的）稀疏节点上运行，减少前向和后向传播步骤的总体计算成本。因此，我们的算法在保持原始模型平均精度 1％ 的同时，仅使用总乘法的 5％。

论文提出的基于 Hashing 的反向传播算法，一个独特属性是 update 总是稀疏的。而由于稀疏梯度 update，我们的算法非常适合异构和并行训练。通过在几个真实数据集上进行严格的实验评估，我们证明了提出的算法具有可扩展性和可持续性（能量效率高）。

图1：从图中可见，神经网络 Low-Rank 假设需要的参数数量自然会更少

图2：对神经网络进行随机哈希的视觉展示。① 建一个哈希表，方法是对每个隐藏层（一次迭代）的权重做哈希。② 使用该层的随机哈希函数对该层的输入做哈希。③ 查询这一层的哈希表，获取激活数据集 AS。④ 仅在激活神经元上做前向和后向传播。⑤ 更新 AS 权重和哈希表。

图7：一个标准网络使用我们的方法（随机哈希）和使用异构随机梯度下降，在 56 核的英特尔 Xeon ES-2697 处理器上的性能比较。我们依次在 MNIST、NORB、Convex 和 Rectangles 数据集上进行了测试。所有网络的初始值都是一样的。

图8：新方法（LSH-5%）使用异构随机梯度下降每步（per epoch）获得的挂钟时间。我们用一个有 3 层隐藏层的网络，依次在 MNIST、NORB、Convex 和 Rectangles 数据集上进行了测试。Convex 和 Rectangles 数据集上增量较少，是因为在整个过程中可用的训练样本不够多。实验中只使用了 5% 的标准网络计算量。

更多内容，请见论文预印版（地址：https://arxiv.org/pdf/1602.08194.pdf）