支撑高精度人工智能，富士通开发出世界最高速深度学习技术

人工神经网络（注1）利用海量数据进行反复多次的学习，并通过这一方法来提高识别与分类的精度。近年来，人工神经网络的研究得到长足发展，特别是在图像识别、文字识别以及声音识别方面，人工智能的精确度已经超越了人类。

深度学习通过处理海量数据来提升精度，因此，在处理速度上比传统CPU更具优势的GPU（注2）得到了广泛的应用。特别是近年来，神经网络多层化的趋势得到了大规模发展，海量数据学习需要耗费大量时间，利用多个GPU并行处理，实现高速化的技术受到了越来越多的关注。

一台计算机搭载的GPU数量有限，因此可以利用高速网络实现多个计算机的GPU互连，在进行数据共享的同时推进机器学习处理。然而，由于数据共享的复杂性以及计算机互连需要额外的通信时间，并行处理的运算速度会受到影响。此外，GPU上搭载的内存量通常较小。这些都成为限制神经网络实现高速学习的课题。

（注1）它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

（注2）图形处理器（英语：Graphics Processing Unit，缩写：GPU），是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上进行图像运算工作的微处理器。

为了解决上述课题，富士通研究所开发了两项创新技术：

该技术能够自动控制数据传输的优先顺序，使得下一步学习处理所需要的数据能够事先进行共享。采用富士通开发的数据处理技术，在第二阶段开始之前，就启动第一层的数据共享处理任务，使得开启第二阶段的等待时间得到了大幅缩减。对比如下图：

针对计算机共享的处理结果，当原始数据较小时，每台计算机共享数据然后进行相同的操作，消除了结果传输所需的时间；当原始数据较大时，处理任务会分配到各个节点，处理结果也会在每台计算机间进行共享。通过基于数据量来自动分配最佳的操作方法，该技术能够最大限度地减少总体操作时间，如下图：

富士通研究所开发的这项技术，能够提升内存使用效率，利用一台GPU的计算能力来扩大神经网络规模，避免了使用并行方法导致的学习速度降低问题。通过内存资源的重复利用，该技术能够降低内存用量。当启动学习时，神经网络中每一层的结构都将进行分析，并相应调整运算顺序，以便分配内存空间给更大的数据处理任务，整体的内存使用量也将得到降低。如下图：

实现世界最快的学习速度！