深度神经网络是什么？

深度神经网络（DNN）是一种强大的人工智能形式，在执行某些任务上甚至可以胜过人类。神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。DNN有时也叫做多层感知机（Multi-Layer perceptron, MLP）。

按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层。

如下图右边示例，一般来说第一层红色的是输入层，最后一层蓝色的是输出层，而中间的黄色的层数都是隐藏层。

训练DNN通常是需要一系列矩阵乘法的运算。

GPU的成本是通用中央处理单元（CPU）的三倍左右。

如图所示，左侧为GPU，最初用在个人电脑、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器。

右侧为CPU，简而言之，就是机器的“大脑”。是完成布局谋略、发号施令、控制行动的「总司令官」。

因为整个行业都专注于寻求一种更快的矩阵乘法，GPU是一种称为「亚线性深度学习引擎」（SLIDE）的算法，该算法使用通用中央处理器（CPU），无需专门的加速硬件就可实现。

现在，为了实现不同种类的深度学习，人们也会挑选专门的硬件和软件。与其花更多的钱用于算法开发，人们更愿意投入整个系统的优化升级，也就是研究一下原来的算法。

Shrivastava的实验室在2019年做到了这一点，借助SLIDE，DNN被训练为可以通过哈希表搜索问题的深度网络形式。

哈希表（Hash table) 又称为散列表，如下图所示. 我们可以根据键（Key）可直接访问内存的数据结构。

（图源见水印）

也就是说，它通过一个关于键值的函数，将所需查询的数据映射到表中一个位置来添加访问记录，这能大大加快查找速度。

与反向传播训练相比，这也从根本上减少了SLIDE的计算开销。

像亚马逊，谷歌和其他公司提供的基于云的深度学习服务的顶级GPU平台相当于八台Tesla V100，价格约为100,000美元，其实这是很大的一笔开销。

CPU大战GPU

英特尔的Shrivastava及其合作者在MLSys 2020上展示其性能时发现CPU算法训练深度神经网络的速度比顶级GPU训练器还要快15倍。

下图是CPU和GPU的对比。

从这个架构图，我们就能明显看出，GPU的构成相对简单，有数量众多的计算单元和超长的流水线，CPU有强大的ALU（算术运算单元），它可以在很少的时间周期内完成算数计算。

在2021 MLSys上合作者又提出探讨：「是否SLIDE的表现可以随着现代CPU内存的优化而越来愈？」

所以未来我们不能拘泥于矩阵乘法，而是可以利用现代CPU的强大功能，用快4至15倍的速度训练其他的AI模型，希望通过这些创新进一步推动SLIDE的发展

研究者莱斯大学本科生尼古拉斯·梅斯堡尔（Nicholas Meisburger）也表示CPU仍然是计算中最流行的硬件。我们要好好利用起来！

参考资料：

https://techxplore.com/news/2021-04-rice-intel-optimize-ai-commodity.html