在开源的赢咖4引擎 - 免费共享其最重要的创意之一与互联网的其余部分 - Google表明计算机软件的世界如何变化。
这些天，大互联网巨头经常共享坐在其在线操作核心的软件。开放源代码加速了技术的进步。在公开采购其TensorFlow 赢咖4引擎时，Google可以在公司外部进行各种机器学习研究，在许多方面，这项研究将反馈给Google。
但Google的赢咖4引擎也反映了计算机硬件的世界如何变化。在Google内部，当处理图像识别，语音识别和语言翻译等任务时，TensorFlow取决于配备GPU的图形处理器或图形处理单元，这些芯片最初设计用于渲染游戏等的图形，但也已证明在其他任务。而且这取决于这些芯片比更大的科技宇宙意识。
根据Google工程师Jeff Dean（他负责监督公司的赢咖4工作），Google使用GPU不仅在训练赢咖4服务，而且在运行这些服务 - 将它们交付给消费者掌握的智能手机。
这代表了一个重大转变。今天，在其庞大的计算机数据中心，Facebook使用GPU来训练其面部识别服务，但是当向Facebook用户提供这些服务 - 实际上在其社交网络上识别面部时，它使用传统的计算机处理器或CPU。这个基本设置是行业规范，正如Facebook CTO Mike“Schrep”Schroepfer最近在加利福尼亚州总部门洛帕克的记者简报中指出的那样。但是，随着Google寻求更高水平的效率，有时公司会在数据中心内的GPU上训练和执行其赢咖4模型。这不是唯一一个在这个方向上移动。中国搜索巨头百度正在建立一个新的赢咖4系统，工作方式大致相同。 “这是一个很大的范式变化，”百度首席科学家Andrew Ng说。
这种变化对于专门从事GPU的芯片巨头nVidia来说是个好消息。它指向了世界上最大的芯片制造商英特尔提供的产品中的一个空洞。英特尔不构建GPU。然而，一些互联网公司和研究人员正在探索FPGA或现场可编程门阵列，作为赢咖4领域的GPU的替代品，而英特尔最近收购了一家专门从事这些可编程芯片的公司。
底线是，赢咖4在世界上的在线服务中扮演着越来越重要的角色 - 替代芯片架构在赢咖4中扮演着越来越重要的角色。今天，在驱动我们的在线服务的计算机数据中心内，这是真的，在未来的岁月里，同样的现象可能会流到我们实际使用这些服务的移动设备。
深度学习在行动
在像Google，Facebook，Microsoft和百度等地方，GPU对所谓的“深度学习”非常重要，因为它们可以并行处理大量的小数据。深度学习依赖于神经网络 - 近似人脑中神经元网络的系统 - 这些网络被设计为以高速分析大量数据。为了教这些网络如何识别一只猫，例如，你喂他们无数的猫的照片。 GPU是擅长这种事情。此外，它们不消耗与CPU相同的功率。
但是，通常情况下，当这些公司将深入学习的行动 - 当他们提供智能手机赢咖4平台识别猫，说 - 这个赢咖4平台是由一个运行在CPU上的数据中心系统驱动。据B赢咖4du的赢咖4组的高性能计算系统负责人Bryan Catanzaro说，这是因为如果你不断地为他们提供数据，GPU是有效的，而且通常驱动智能手机赢咖4平台的数据中心服务器软件不能提供数据以这种方式到芯片。通常，当请求从智能手机赢咖4平台到达时，服务器一次处理一个请求。正如Catanzaro解释的，如果你使用GPU单独处理每个请求，因为它进入数据中心，“很难得到足够的工作进入GPU，以保持其高效运行。 GPU从来没有真的去。
也就是说，如果你在这个执行阶段能够连续地将数据输入你的GPU，他们可以提供比CPU更高的效率。百度正在朝着这个与其新的赢咖4平台。基本上，随着请求流进入数据中心，它将多个请求封装到更大的整体中，然后可以将其馈送到GPU。 “我们组装这些请求，这样，而不是要求处理器一次做一个请求，我们有它一次多个请求，”Catanzaro说。 “这基本上使GPU更忙。
Google尚未解决此问题，目前尚不清楚。但该公司表示，已经有TensorFlow在执行阶段在GPU上运行的情况。公司发言人Jason Freidenfelds确认：“我们有时会根据问题使用GPU进行培训和识别。
这似乎是一件小事。但它实际上是一个很大的交易。驱动这些赢咖4应用的系统跨越几十，几百，甚至几千台机器。这些系统在我们的日常生活中发挥着越来越大的作用。 Google现在使用深度学习不仅识别照片，识别口头词汇，以及从一种语言翻译为另一种语言，还可以提高搜索结果。其他公司正在将同样的技术推广到广告定位，计算机安全，甚至是了解自然语言的赢咖4平台。换句话说，像Google和百度这样的公司需要大量的GPU。
赢咖4无处不在
与此同时，TensorFlow也将一些这种赢咖4从数据中心完全推送到智能手机本身。
通常，当您在手机上使用深度学习赢咖4平台时，无法在不将信息发送回数据中心的情况下运行。所有的赢咖4发生在那里。例如，当您向Android手机发出命令时，它必须将您的命令发送到Google数据中心，在那里可以在CPU或GPU的巨大网络上进行处理。
但Google也磨练了它的赢咖4引擎，以便在某些情况下，它可以在手机上执行。 “你可以采取模型描述并在手机上运行它，”Dean说，“你不必对模型描述或任何代码做任何真正的改变。
这就是公司如何建立Google翻译应用程式。 Google训练赢咖4平台来识别字词，并在数据中心内将它们翻译成另一种语言，但一旦经过培训，赢咖4平台就可以独立运行，而无需连接互联网。您可以将手机指向法国道路标志，它会立即将其翻译成英语。
这很难做。毕竟，手机提供有限的处理能力。但随着时间的推移，越来越多的这些任务将转移到手机本身。深度学习软件将提高，移动硬件也将提高。 “深度学习的未来在于小型，移动，边缘设备，”一个深度学习创业公司Skymind的创始人Chris Nicholson说。
例如，GPU已经开始寻找到手机，而硬件制造商一直在努力提高CPU的速度和效率。同时，IBM正在构建一个专门为赢咖4任务设计的“神经形态”芯片，根据使用它的用户，它非常适合移动设备。
今天，Google的赢咖4引擎运行在服务器CPU和GPU以及智能手机中常见的芯片上。但根据Google工程师Rajat Monga的说法，该公司以工程师可以轻松地将其移植到其他硬件平台的方式构建TensorFlow。现在工具是开源的，外人也可以开始这样做。正如Dean所描述的TensorFlow：“它应该可以移植到各种额外的硬件。
所以，是的，硬件的世界正在改变 - 几乎一样快的软件世界。
