特斯拉新专利：让神经网络自动适应硬件平台

据外媒报道，特斯拉近日宣布了一项题为“神经网络模型与硬件平台相适应的系统和方法”的专利。

一般来说，神经网络是一组用于收集数据并从中识别模式的算法。收集的具体数据取决于所涉及的平台以及平台可以发送给网络的信息类型，如相机/图像数据。平台之间的差异意味着神经网络算法之间的差异，对开发人员来说进行调整可能非常耗时。正如应用程序必须编程才能在手机或平板电脑的操作系统或硬件上工作一样，神经网络也是如此。然而，特斯拉对神经网络的适应性采用了自动化的方法。在使神经网络适应特定硬件的过程中，软件开发人员必须根据所用硬件中内置的可用选项做出决策。通常，有必要按顺序研究这些选项，查看硬件文档，分析影响，选择每组选项，并最终将它们作为配置添加到神经网络中。特斯拉将这些选项称为“决策点”，是本发明有效性的关键部分。根据专利申请文件，在插入神经网络模型和特定的硬件平台信息以使神经网络适应硬件平台后，软件代码将传播到整个神经网络中，以了解决策点的位置，然后对这些决策点的硬件参数进行操作，以实现可用的配置。更具体地说，这种软件方法专注于硬件限制，并为神经网络正确运行生成设置。该文件指出：为了具体执行抽象神经网络，可能需要做出与一个或多个系统组件、数值精度、算法选择、数据填充、加速器使用、步幅等相关的执行决策。这些决策可能需要在神经网络的每一层或张量基础上做出。因此，一个特定的神经网络可能需要做出数百个甚至更多的决策。本发明适用于神经网络的执行。以前，考虑了许多因素，因为底层软件或硬件平台不支持许多配置，这可能导致神经网络无法执行。特斯拉的发明还具有在图形界面上显示神经网络配置信息的能力，从而允许更用户友好的评估和选择。例如，不同的配置可能需要不同的评估时间、功耗或内存消耗。根据跟踪模式和距离模式之间的差异选择配置，而不是人们希望人工智能如何使用硬件。据报道，该专利申请似乎是特斯拉收购DeepScale后开发的产品之一。DeepScale是一家专注于全自动驾驶和为小型设备设计神经网络的人工智能初创公司。该专利的发明人是Michael Driscoll博士，他曾是DeepScale的高级工程师，后来成为特斯拉的高级软件工程师。在今年进行独立研究之前，DeepScale前首席执行官Forrest Iandola博士也曾担任特斯拉的高级机器学习科学家。

标签：特斯拉

汽车资讯热门资讯