您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
MIT研究：在不影响准确度的情况下将神经网络缩小10倍
2019年05月07日 由 董灵灵 发表
822352
0
深度神经网络是一种通用类型的AI架构，能够执行从自然语言处理到计算机视觉的任务，但这并不意味着它们没有限制。深度神经网络通常非常庞大并且需要相应的大型语料库，即使是最昂贵的专用硬件，对它们进行训练也可能需要数天时间。
麻省理工学院计算机科学与人工智能实验室（CSAIL）发表了一项新研究，“The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks”，论文中解释道，深度神经网络包含的子网比整个网络小10倍，但经过训练，它们能够做出同样精确的预测，在某些情况下比原始网络更快。
这项研究计划在新奥尔良举行的国际学习代表大会（ICLR）上发表，在大约1600份提交的论文中，它被列为会议的前两名论文之一。
如果初始网络没有那么大，为什么不能在一开始就创建一个大小合适的网络呢？通过神经网络，你可以随机初始化这个大型结构，并用大量数据进行训练之后，它就会神奇地起作用。
“这种大型结构就像购买很多彩票，即使只有少量彩票会让你变得富有。但是，我们仍然需要一种技术，在不先看到中奖号码的情况下找到赢家。”
研究人员的方法涉及消除神经元之间不必要的连接，以使其适应低功率设备，这一过程通常称为修剪。他们特别选择了具有最低“权重”的连接，这表明它们是最不重要的。
接下来，他们在没有修剪连接的情况下训练网络并重置权重，在修剪其他连接后，他们确定了在不影响模型预测能力的情况下可以去除多少。
在一系列条件下，在不同网络上重复该过程数万次之后，团队报告说AI模型的规模始终比其完全连接的父网络的大小要小10％到20％。
Michael Carbin表示，“令人惊讶的是，重新设置一个表现良好的网络通常会带来更好的结果，这表明无论我们第一次做什么，都不是最完美的，这些模型还有空间来学习如何自行改进。”
Carbin和Frankle指出，他们只考虑以较小数据集为中心的以视觉为中心的分类任务。未来的研究将探讨为什么某些子网特别擅长学习，以及快速发现这些子网络的方法。
此外，他们认为结果可能对迁移学习有影响，即为一项任务训练的网络可以适应另一项任务。
论文：
arxiv.org/abs/1803.03635
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消