據外媒報道，最近，特斯拉一項名為“讓神經網絡模型適應硬件平臺的系統(tǒng)和方法”（System and Method for Adapting a Neural Network Model On a Hardware Platform）的專利被公布。

（圖片來源：teslarati.com）

一般而言，神經網絡是一組用于收集數據并從中識別模式的算法。所收集的具體數據取決于所涉及的平臺以及平臺可以向網絡發(fā)送的信息類型，如攝像頭/圖像數據等。平臺之間的差異意味著神經網絡算法之間的差異，而進行調整對于開發(fā)人員而言非常耗時。就像應用程序必須經過編程才能夠在手機或平板電腦的操作系統(tǒng)或硬件上工作一樣，神經網絡也是如此。不過，特斯拉對于神經網絡的適應性問題，采取的是自動化方法。

在讓神經網絡適應特定硬件的過程中，軟件開發(fā)人員必須根據所用硬件中內置的可用選項來做出決策。通常，需要依次對此類選項進行研究、對硬件文檔進行審查以及對影響進行分析，選擇好每一組選項，最終添加到神經網絡，成為一種配置。特斯拉將此類選項稱為“決策點”，也是該項發(fā)明發(fā)揮作用的關鍵部分。

根據專利申請文件，在插入神經網絡模型以及特定硬件平臺信息，以讓神經網絡適應硬件平臺后，軟件代碼就會遍布整個神經網絡，以了解決策點的位置，然后針對此類決策點運營硬件參數，實現可用的配置。更具體地說，該軟件方法著眼于硬件限制（如處理資源和性能指標的限制），并為神經網絡生成滿足讓其正確運行的設置。

該文件寫道：“為了讓抽象的神經網絡得到具體執(zhí)行，可能要做出有關一個或多個系統(tǒng)部件、數值精度、算法選擇、數據填充、加速器使用、步幅等的執(zhí)行決策，可能需要在神經網絡的每一層或每一個張量基礎上做出此類決策，因此一個特定的神經網絡可能需要做出上百個，甚至更多的決策。本發(fā)明在執(zhí)行神經網絡之前考慮了許多因素，因為底層軟件或硬件平臺不支持很多配置，而此類配置可能會導致神經網絡無法執(zhí)行?！?/p>

特斯拉的發(fā)明還具備在圖形界面上顯示神經網絡配置信息，從而以更加用戶友好的方式做出評估和選擇的能力。例如，不同的配置可能需要不同的評估時間、功耗或內存消耗。如根據跟蹤模式（Track Mode）和距離模式（Range Mode）之間的差異來選擇配置，而不是根據人們希望AI如何與硬件一起工作來選擇配置。

據報道，該項專利申請似乎是特斯拉收購了DeepScale之后研究出的產品之一。DeepScale是一家專注于全自動駕駛和為小型設備設計神經網絡的AI初創(chuàng)公司。該項專利的發(fā)明者是Michael Driscoll博士，他曾是DeepScale公司的高級工程師，后來成為特斯拉的高級軟件工程師。在今年進行獨立研究之前，DeepScale前首席執(zhí)行官Forrest Iandola博士也曾在特斯拉擔任高級機器學習科學家一職。

返回第一電動網首頁 >