香港浸會大學（HKBU）的研究人員與來自騰訊機器學習的團隊合作，創(chuàng)造了一種新技術(shù)，可在保持準確性的同時以前所未有的速度訓練人工智能（AI）機器。

在實驗期間，研究小組分別在短短4分鐘和6.6分鐘內(nèi)訓練了兩個流行的深度神經(jīng)網(wǎng)絡(luò)，分別稱為AlexNet和ResNet-50。以前，最快的培訓時間是AlexNet 11分鐘，ResNet-50 15分鐘。

AlexNet和ResNet-50是基于ImageNet建立的深度神經(jīng)網(wǎng)絡(luò)，ImageNet是用于視覺識別的大規(guī)模數(shù)據(jù)集。經(jīng)過訓練后，系統(tǒng)便能夠識別并標記給定照片中的物體。結(jié)果比以前的記錄快得多，并且勝過所有其他現(xiàn)有系統(tǒng)。

機器學習是一組數(shù)學方法，可使計算機從數(shù)據(jù)中學習，而無需人工進行編程。然后，可以將所得的算法應用于AI中使用的各種數(shù)據(jù)和視覺識別任務(wù)。

浸大的團隊由朱小文教授和博士組成。來自計算機科學系的學生Shi Shaohuai。儲教授說：“我們提出了一種新的優(yōu)化訓練方法，可以在不損失準確性的情況下顯著提高最佳輸出。在AI訓練中，研究人員力求更快地訓練其網(wǎng)絡(luò)，但這會導致準確性下降。結(jié)果，訓練在保持精度和精度的同時，高速進行機器學習的模型是科學家們的重要目標。”

朱教授說，訓練AI 機器所需的時間受計算時間和通信時間的影響。研究團隊在這兩個方面均取得了突破，創(chuàng)造了這一破紀錄的成就。

這包括采用一種稱為FP16的更簡單的計算方法來替代更傳統(tǒng)的FP32，從而使計算速度更快而又不損失準確性。由于通信時間受數(shù)據(jù)塊大小的影響，因此該團隊提出了一種名為“張量融合”的通信技術(shù)，該技術(shù)將較小的數(shù)據(jù)片段合并為較大的數(shù)據(jù)片段，優(yōu)化了傳輸模式，從而提高了AI訓練期間的通信效率。

這項新技術(shù)可以用于大規(guī)模圖像分類，還可以應用于其他AI應用程序，包括機器翻譯;自然語言處理（NLP），以增強人類語言與計算機之間的交互;醫(yī)學影像分析;和在線多人戰(zhàn)斗游戲。