继谷歌、Facebook之后，亚马逊开源的深度学习工具又能带来什么？

按：本文由新智元翻译自 Github 、Hacker News。

亚马逊也被吹上“flow”的风口： 继 Facebook 昨天公开其深度学习训练平台FBLearner Flow细节，亚马逊今日下午突然宣布开源其深度学习和机器学习工具DSSTNE，并表示与相比其他深度学习工具，DSSTNE尤其擅于训练稀疏数据。 近年来，谷歌，FB和OpenAI先后搭建平台，亚马逊也宣布工具开源，人工智能系统未来开源趋势已成，国内公司何时跟上国际潮流？

2016年5月11日下午，亚马逊在GitHub网站将其深度学习和机器学习工具DSSTNE开源（译注：DSSTNE与英语“destiny”谐音）。亚马逊方面称，与其他开源工具相比，DSSTNE尤其擅长训练稀疏数据。新智元第一时间搜集信息，并获得内部核心开发人员对这款工具的详解。

向来在开源上不那么积极的亚马逊有了新动作。难道最近在科技巨头间掀起了一股“开源”的浪潮？我们能否期待接下来苹果也会把它家的深度学习来个开源？玩笑说到这里，下面我们就一起来看看，亚马逊这个DSSTNE深度学习工具到底有什么用处。

| DSSTNE是什么？

根据GitHub网站消息，DSSTNE是英文“Deep Scalable Sparse Tensor Network Engine”的简写，即“深度可伸缩的稀疏张量网络工具”。亚马逊相关研究团队对DSSTNE的描述是 “一个使用GPU训练和部署深度 神经网络 的开源工具”。

亚马逊的工程师最初创建DSSTNE是用于解决在亚马逊平台上需要处理的深度学习难题，建立的目标是解决现实中深度学习应用的产品部署问题，在试验灵活性以外，还强调速度和规模。 团队希望把深度学习的潜力从语音、语言理解和物体识别领域扩展到搜索和推荐等其他领域，激发更多创意。

每一天，有上亿人在亚马逊购物。亚马逊希望DSSTNE能帮助消费者从众多的商品中发现想找的东西。而想要做到好的推荐，就需要神经网络。即便是简单的3层自动编码器，加上一个有上亿节点的输入层（每一个节点代表一件商品），以及一个包含1000节点的隐藏网络，还有一个能反映输入层的输出层，所需要学习的参数就可以达到10亿以上。利用目前的硬件，这是很难实现的。即使把神经网络的大小局限在单一商品目录和身处美国的用户，也几乎要触及当下GPU的能力上限了。

举例来说，一个3层的自动编码加权矩阵，加上输入时的800万个界定，以及输出层和隐藏层的256个节点，运行一次简单的计算就需要消耗8G的内存。使用开放资源软件以及上千万用户的消费数据来训练这样的网络，用市场上最快的GPU也得花上数周才能得到结果。亚马逊意识到，如果不能写出软件，然后在多个GPU中分配这些计算的话，他们是不会有大的进步的。

DSSTNE有一系列的特征：

• 多GPU伸缩：训练和预测扩展到使用多GPUs，在每一层平行模型拓展计算和存储。

• 多层：模式平行伸缩，让更大型的网络成为可能。
  

• 稀疏数据：在稀疏数据集中，DSSTNE经过了优化，可以有更快速的表现。特殊的GPU核心程序在GPU中运行稀疏计算。

| DSSTNE与其他深度学习工具有何不同之处？

在一些数据稀疏（几乎所有的数值都为零）的任务中，DSSTNE的表现要远优于当下的一些开放资源深度学习工具。

DSSTNE是从无到有的一个工具，用于训练数据稀疏条件下的模型，其他的数工具，比如Caffe，Tensorflow，Theano和Torch都拥有大型的功能集以及网络支持。

DSSTNE在气质上跟Caffe很像，强调产品应用的表现。在涉及稀疏数据的问题中，DSSTNE比其他仍和深度学习工具都要快（2.1x compared to Tensorflow in 1 g2.8xlarge），其中就包括推荐难题和许多自然语言理解（NLU）任务。 单个服务器内，多GPU运行的情况，DSSTNE的表现也比其他的数据库表现要好。DSSTNE能够在所有可用的GPU中自动分配计算任务，加速所有的计算过程，并能建立更大的模型。

从实际上来看，这意味着它能建立起推荐系统，把上千万种商品囊括到模型中，而不是上万种，或者能处理包含大量词汇的自然语言理解任务。 对于这种等级的难题，其他的工具可能会需要转化到CPU来计算稀疏数据，这会将效果降低一级。另外，DSSTNE的网络定义语言会比Caffe的简单得多，只需要33行代码来表示通用的AlexNet 图像识别 模型，而Caffe语言要求超过300行代码。

但是， DSSTNE还不支持图像识别所需要的卷积层，在一些自然语言理解和 语音识别 任务所需要的复发层中，支持也很有限 。

| 该怎么用DSSTNE训练神经网络模型？

亚马逊在GitHub网站上给出了使用DSSTNE训练神经网络模型的实例，包含３个基本步骤：转换数据、训练、预测。

1. 转换数据：

下载数据后，把数据转换到NetCDF格式。然后在指定数据集中尝试运行一个自动编码器。

• 1.1 生成输入数据集：

• 1.2 生成输出数据：

2. 训练：3层神经网络的隐藏层有128个节点

3. 预测：

总结

| 内部人员神吐槽

亚马逊开源DSSTNE的消息发布后不久，一位前DSSTNE核心开发成员就在hackernews网站上透露，DSSTNE创建于2年前，专用于在亚马逊商品目录中进行产品推荐。他表示：当时Tensorflow还没诞生，只有Theano和Torch；DSSTNE通过稀疏数据和多GPU跨神经网络进行优化，跟Theano和Torch都不一样；现在DSSENE还不支持Alex、VGG或者GoogleNet等，但是如果有需要，只用500行代码就能实现。

那位前DSSTNE核心开发员还透露，DSSTNE现在还不明确支持RNN，但它支持分享加权。而虽然CuDNN 5使用几百行代码就能支持LSTM，但他认为CuDNN中的LSTM是一个黑盒子（Black Box），所以不能扩展到多重GPU。

那位程序员还表示，亚马逊并不完美，但这家公司让他们从头开始搭建了这一平台，然后现在对外开源。据这位不愿意透露姓名的程序员表示，加入亚马逊之前，谷歌把他从Nvidia挖去（这是他难以拒绝的几个offer之一），但2011年却把他分配到搜索团队，不让其再涉及GPU的工作，完全没有考虑到他是Nvidia CUDA团队的创始成员之一，因此他认为谷歌完全没有认识到GPU的作用。在谷歌他没有待太久，如果他还留在亚马逊，他认为亚马逊会让他从事开源编码相关工作。

这位选择匿名的程序员表示，在DSSTNE这个项目中自己是唯一的GPU编码员，在接受了又一份难以拒绝的offer后，他在4个月前离开了亚马逊。在他离开时，DSSENE的工作人员不到10人，并且其中大部分都已经到别处进行深度学习引擎开发去了。

在hackernews网站写下这些文字的时候，那位不愿意透露姓名的程序员表示，他正在等飞机，在接下来的几天中将持续跟进这件事。最后，他写了一点剧透：

DSSTNE的每一个GPU，处理的都是近乎完美伸缩的，具有1000个以上隐藏单元的隐藏层以及高效的自由稀疏输入层，因为激活和加权梯度计算有特定的稀疏核心；此外， 虽然基于JavaScript轻量级的数据交换格式（JavaScript Object Notiation）在2014年获得认可，但DSSTNE需要一个类似TensorFlow图像输入才能达到100%的兼容。

消息来源参考：

1、 github.com

2、 news.ycombinator.com