0
| 本文作者： 奕欣 | 2017-02-07 10:20 |
MXNet 在去年 11 月成为 Amazon AWS 的官方开源平台。在今天的 AAAI 2017 上，亚马逊 AWS 机器学习总监 Alex Smola 做了主题分享，介绍了如何利用 MXNet 构建一个可拓展的深度学习框架。雷锋网旗下AI科技评论对此做了全程报道。
Alex Smola 是 MXNet 主要作者李沐在 CMU 的博士导师，后者在 Smola 加入亚马逊期间一直在做 MXNet 开发和 AWS 上深度学习的应用，这也难怪在 Smola 演讲最开始的感谢名单上，第一个名字就是李沐。
那么，作为亚马逊的官方开源平台，MXNet 又是如何实现「又快又好」的目标呢？
Smola 指出，要构建一个这样集高效与个性化于一体的框架，首先不可避免地要涉及潜变量模型的设计。潜变量模型是一种结构方程模型，区别于显变量，指的是不能被直接观测、需要通过间接数据体现的指标。而它具有以下两种表现形式：
首先是时间序列观察，包括了购物、点赞、App 的使用、邮箱、广告点击、查询及评分等。
其次是用潜状态解释用户的行为。一个是基于非参模型的方法，系统能够数据构建用户画像，剔除存在误差的推断；第二点是基于深度神经网络的 RNN 还有 LSTM 及 GRU 等方法。
接下来有意思的地方在于，Smola 以今日头条的新闻应用为例，介绍了如何对用户参与度进行建模，主要涉及的是用户动态连续的数据收集，例如每日及每周的平均用户数；活跃用户数及注册用户的数量等。其中包括：
1. 用户从活跃变为「僵尸粉」的情况。
2. 模型用户在使用过程中的反馈。
3. 根据实际情况，还有一些其他因素，比如重大赛事可能会影响用户使用的频率；用户日常的使用习惯及先前的阅读偏好。
那么，根据用户使用的一个完整流程，我们可以设计如下的框架结构：
Smola 根据不同模型的预测结果，对复杂度进行比较，结果显示，DNN 与 LSTM 具有较低的分数，说明模型的复杂度较低。
虽然「预测」这个词指的是未来的事情，但是 Smola 以 Bruce Willis 的《虎胆龙威》为例强调，在实际训练过程中，开发者很可能犯这样的错误，即用过去的数据预测过去的事情。为了解决这一问题，Smola 表示需要将用户的专业度及兴趣，还有电影的新颖度及感染力考虑在内。
而从电影的评分来看，如果电影在当时提名了金球奖或者获得了其他电影奖项，那么该电影在短期内的评分会小幅上升，但在数月后又会恢复平均水平。这就说明，在进行数据预测的时候，系统需要剔除异常量以提高准确性，而这也是让预测模型变得更加高效好用的一个方法。
那么，一个好用的深度网络需要满足哪些条件？Smola 提及了如下几点：
首先，价格更低的 GPU 显然更具有竞争力，且网络的运行速度更慢。
其次，运行速度也受到以下两个因素的影响：
机器与 GPU 的线性拓展；
用 C＋＋编写的单个机器运行效率；
最后一点在于简洁性。混合了声明式编程与指令式编程的系统能够融合二者的优点。
「在进行卷积神经网络训练的过程中，采用 MXNet 只需要 50 行代码，而 caffe 则需要 1000 行。」
那么在多 MXNet 上运行 Google Inception v3 模型时，它的表现又是如何呢？Smola 表示，从单个机器增加到 47 个机器的过程中，在超过 10 个机器的时候，V 的运行速度可以达到 TensorFlow 的两倍，而从图表上也能看到，在 100 个 GPU 时，Tensorflow 的运行速度明显放缓。
说了这么多 MXNet 的优点，不过这条上升的运行曲线并不是「一帆风顺」的。如果将坐标轴的比例尺放大，就会发现在 GPU 之间进行同步的时候，运行速度会出现短时间的下降。
最后，Smola 还介绍了两个基于亚马逊平台的开发工具，并在现场进行了操作演示。
Amazon Machine Image for Deep Learning;
AWS CloudFormation Template for Deep Learning.
如何搭建一个又快又好的可拓展深度学习框架呢？雷锋网认为，Smola 心里的答案，应该是「用 MXNet 就行啦」。
想了解 AAAI 2017上还有什么精彩演讲？敬请关注雷锋网及 AI科技评论的相关报道。
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
