歷史經驗告訴我們:好的工具事半功倍,不好的工具處處添堵。

當AI如火如荼的落地各種場景,很多人蠢蠢欲動的想要學習如何入場這個“風口”,給自己的企業(yè)也加點buff,也算是添磚加瓦了。而已經“站在風里”的人們,卻仍有不少人躊躇不前——技術是懂,但應用真的難做。究其原因,得到答案無外乎:手慢資源少,復雜投入高。

AI開發(fā),特別是推動AI進入工業(yè)大生產階段的深度學習技術,的確復雜,燒錢,耗時間,那該怎么辦呢?這時,你需要工具,一個高效節(jié)省開發(fā)時間、支持大規(guī)模數(shù)據(jù)訓練、方便你多端多硬件靈活部署的好工具。它要開源開放、成熟完備,并足以支持產業(yè)級應用。市面上的深度學習框架已不少,讓我們來選選適合你的那一個。

首先,它要自主自研。經驗告訴我們,國際形式眼花繚亂、千變萬化,一切將底層技術的控制權留給他國的選擇都是悲劇,被“釜底抽薪”卡脖子的事兒絕對是每個人,每個企業(yè)的痛中之痛。

其次,實踐出真知。歸根結底AI是一種“要在實踐中磨煉,最終服務于實踐”的科學商業(yè)的綜合體。

因此,就深度學習框架這樣的工具來講,成熟完備、易學易用很重要。而決定了框架“成熟可用”的最基礎要素就是“場景”——框架好用,場景先行。推出框架的公司有場景嗎?場景豐富嗎?場景數(shù)據(jù)量大嗎?等等這些因素都是選擇框架時需要考慮的事情。

最后要看部署。如果說商業(yè)的本質是創(chuàng)造價值,那么AI開發(fā)的本質就是間接創(chuàng)造價值。一切AI開發(fā)的目的最終要回歸價值,也就是落地執(zhí)行,即部署。所以找一個方便適配各類硬件的開發(fā)工具,在最后一步能省不少事兒。

一圖看懂:用飛槳框架2．0做AI開發(fā)是什么體驗

就拿被稱作國貨之光的飛槳框架來說,首先它滿足自主自研,沒有“包裹外國的框架內核實際做本地漢化”的行為。

其次,在開發(fā)上,剛剛升級為2．0正式版的飛槳框架可支持用戶使用動態(tài)圖完成深度學習相關領域全類別的模型算法開發(fā),這標志著飛槳的動態(tài)圖功能已經成熟完備,是不是很強大!

另外,從官方發(fā)布的信息來看,目前飛槳官方算法模型庫已達到了270+,涵蓋計算機視覺、自然語言處理、語音、推薦等多個領域,基本上已經覆蓋了所有產業(yè)向主流應用需求。

在訓練層面上,飛槳框架2．0在支持萬億規(guī)模稀疏參數(shù)基礎上,也已實現(xiàn)支持千億規(guī)模稠密參數(shù)模型訓練。簡單的來說就是它可以實現(xiàn)超大規(guī)模數(shù)據(jù)和模型的訓練,而在針對這種“超大規(guī)?！庇柧殨r,一臺機器效率多低呀而且根本難以“裝得下”,那可是千億萬億級數(shù)據(jù)量和超大模型。

所以為了高效高質量地實現(xiàn)如“絲般順滑”的訓練體驗,飛槳可以支持將參數(shù)切分到多張 GPU 卡上訓練,從而真正支持不同場景下的千億規(guī)模稠密參數(shù)模型訓練。

經歷了開發(fā),訓練,在最后的部署環(huán)節(jié)上,就相當于視頻剪好準備發(fā)布。在發(fā)布時,橫屏還是豎屏,清晰度有怎樣要求,大小有怎樣的限制等等都跟其載體有關。AI模型部署也一樣,不同硬件的適配要求對模型有著諸多限制。

當前包括英特爾、英偉達、ARM等諸多芯片廠商紛紛開展對飛槳的支持。飛槳還跟飛騰、海光、鯤鵬、龍芯、申威等CPU進行深入適配,并結合麒麟、統(tǒng)信、普華操作系統(tǒng),以及百度昆侖、海光DCU、寒武紀、比特大陸、瑞芯微、高通、英偉達等AI芯片深度融合,與浪潮、中科曙光等服務器廠商合作形成軟硬一體的全棧AI基礎設施。

截止目前,飛槳已經適配和正在適配的芯片或IP型號達到29種,處于業(yè)界領先地位。

全套加速,整得明明白白。當然每個人也要看自己的開發(fā)習慣,但通用情況來看,飛槳兼顧易用和性能的模型生產能力還是非常強大的。對于想轉行AI,進入這個風口之地的開發(fā)者來說,搞定語言后直接用飛槳嘗試實操也不失為一個好選擇。