IBM运用分散式深度学习加快模型训练过程50分钟图像辨识度可达33.8％

IBM

IBM Research于本周二（8/8）发布，IBM利用分散式深度学习（Distributed Deep Learning，DDL）软体来提升深度学习效能，并创下记录。根据IBM官方部落格，IBM在64个Power系统中，共256颗GPU，透过分散式深度学习软体，能在50分钟内训练深度学习模型ResNet-50，且能让深度学习模型的图像辨识準确率达33.8％。

（资料来源／IBM）

以往要部署大规模的深度学习，往往需要花费数天甚至数周来训练深度学习模型，而IBM Research研究团队的研究目的着重于，降低以大量资料来训练大量模型的时间，以及提高机器学习模型的準确度。

IBM研究团队研发分散式深度学习软体，不仅提升了深度学习模型图像辨识的準确度，更缩短训练神经网路模型ResNet-101的时间。IBM宣称仅需要7小时，而微软训练相同的ResNet-101模型则花费了10天。

根据IBM，现今流行的深度学习框架通常都在一台伺服器上来扩展多颗GPU，以提升效能表现。不过，IBM Research研究团队的分散式深度学习软体，能优化且自动化在数十台伺服器上，共上百颗GPU的平行运算，以提升处理速度，并缩短训练深度学习模型的时间。

而IBM採用ImageNet-1K模型，来训练深度学习模型ResNet-50仅费时50分钟的记录，超越了脸书（Facebook）用Caffe2模型，花费1小时来训练类似深度学习模型的时间。另外，IBM在深度学习模型的图像辨识準确度（33.8％）也超越微软的29.8％。

IBM分散式深度学习软体短片介绍：