近年來，深度學(xué)習(xí)網(wǎng)絡(luò)憑借卓越的能力，在不同領(lǐng)域取得了成果，但訓(xùn)練出高質(zhì)量的深度學(xué)習(xí)網(wǎng)絡(luò)面臨挑戰(zhàn)。盡管可視化方法為深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練提供了輔助，但當(dāng)前主流的事后分析策略在實(shí)際應(yīng)用中存在較多問題，如數(shù)據(jù)量龐大導(dǎo)致存儲困難、I/O開銷過高以及無法實(shí)現(xiàn)實(shí)時干預(yù)等。特別是對于深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練過程產(chǎn)生的海量時間序列數(shù)據(jù)，現(xiàn)有工具難以從中提取出詳細(xì)的訓(xùn)練過程信息，這阻礙了模型優(yōu)化。
中國科學(xué)院計算機(jī)網(wǎng)絡(luò)信息中心先進(jìn)交互式應(yīng)用與發(fā)展部團(tuán)隊創(chuàng)新性地提出了針對深度學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)的原位可視分析框架，形成了原位特征提取算法和神經(jīng)元學(xué)習(xí)模式抽象算法。原位特征提取算法在模型運(yùn)行時復(fù)用內(nèi)存數(shù)據(jù)，實(shí)時分析動態(tài)數(shù)據(jù)，解決了傳統(tǒng)事后分析的數(shù)據(jù)存儲和I/O瓶頸問題；而神經(jīng)元學(xué)習(xí)模式抽象算法則基于原位特征數(shù)據(jù)，抽象出神經(jīng)元的三種學(xué)習(xí)模式，為可視分析提供支持。
這一框架在性能方面表現(xiàn)良好，對千萬參數(shù)深度神經(jīng)網(wǎng)絡(luò)模型的時序訓(xùn)練數(shù)據(jù)壓縮率可達(dá)1% ，能夠支撐訓(xùn)練全過程的問題可視分析與回溯，可以實(shí)現(xiàn)batch level神經(jīng)元信息可視化，為深度學(xué)習(xí)模型優(yōu)化提供全新視角和支持。
相關(guān)研究成果被IEEE Transactions on Visualization and Computer Graphics錄用。研究工作得到國家自然科學(xué)基金和中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項的支持。
深度學(xué)習(xí)模型原位分析流程
深度學(xué)習(xí)模型原位可視分析系統(tǒng)
文章來源：中國科學(xué)院
