布里斯托尔初创公司 graphcore. 已经揭示了一些技术,令人惊叹的研究机器学习算法的运行。

它开发了一个名为的软件框架 白杨 这可以在操作中可视化这些算法。最近的机器学习框架,如TensoRFlow或MXNet,使用计算图的概念,由边缘(突触)连接的计算元件(突出)连接的转录元素(大脑中的神经元等同物),这描述了顶点之间的通信路径。

该公司正在开发芯片,智能处理单元(IPU),使用杨树来操纵和处理这些图形。它是用标准的C ++编程语言编写的,但将基于图形的机器学习开发过程与底层图形处理IPU硬件分开。

开源支持

graphcore.正在为Poplar构建一组开源库,以便在标准机器学习框架中写入的应用程序,如Tensorflow和MXNet,将在IPU上的框中工作。 Poplar拥有一整套调试和分析工具,可以帮助调整性能和用于应用程序开发的C ++和Python接口,以帮助开发人员更深入地挖掘。

“我们试图在机器智能系统中建造和操纵的知识模型最自然地表达为图表,”GraphCore首席执行官Nigel Toon说。 “这些图表在数据和计算中暴露了巨大的并行性,可以通过高度平行,图形聚焦处理器利用。”

白杨还包括图形编译器,可以将机器学习框架使用的标准操作转换为IPU的高度优化的应用程序代码。图形编译器构建要在一个或多个IPU设备上计划和部署的计算图的表示。编译器还可以显示此计算图,创建了大脑的MRI图像等效。

例如,Reset是2015年由Microsoft开发的深度神经网络(DNN),用于在Poplar中实现的图像分类。上图显示了具有50层的Reset,该层将用于对图像进行培训,转换为322万顶点的计算图和621万边。图表的顶点代表了计算过程,并且边缘表示进程之间的通信。图中的图层用来自原始技术纸张的相应层标记。清晰可见的聚类是网络中每层过程之间密集通信的结果,层之间的较轻通信。

有更多的其他算法的例子 graphcore博客.