20181029-中国人工智能产业发展联盟-人工智能行业_深度学习技术选型白皮书（2018年）_37页_1mb

报告摘要

本白皮书由中国人工智能产业发展联盟发布，旨在为企业在深度学习技术选型中提供参考依据，同时为开源框架服务及产品评估提供标准。白皮书围绕深度学习训练框架、推断框架及技术生态工具集三个维度，系统分析了当前技术应用现状、选型考虑及发展趋势。

深度学习框架是人工智能产业化落地的核心
- 软件框架封装了深度学习算法，实现数据调用与计算资源使用，是AI技术实现的重要桥梁。
- 企业选择开源框架为主流，闭源框架仅用于技术壁垒构建。
深度学习框架分类
- 按应用场景分为云端训练、云端推断、端侧推断。
- 不同场景对框架的功能、性能及优化要求不同。
训练框架选型考虑
- 指标体系分为生态建设、易用性、性能、支持架构及安全稳定性五大类，每类包含二级及三级指标。
- 企业需综合考虑框架的灵活性、易用性、性能及兼容性。
推断框架选型考虑
- 指标体系包括易用性、性能、底层优化及安全稳定性，重点考量推断速度、资源占用及跨平台支持。
- 推断框架存在碎片化问题，尚未形成统一标准，企业需根据硬件环境选择合适的框架。
技术生态工具集
- 编译中间件、数据及模型表示格式、可视化工具、标准模型资源库及模型压缩优化工具集是提升AI开发效率和部署能力的重要支撑。
- 编译器对模型适配和优化至关重要，目前缺乏统一的中间表示层标准。

深度学习编译中间件
- 编译器需支持多框架、多硬件优化，如CUDA、Intel Inference Engine、NNVM/TVM。
- 缺乏统一的中间表示层标准，影响模型迁移与部署。
数据及模型表示格式
- 不同框架使用不同数据格式（如TFRecord、RecordIO）。
- ONNX与NNEF作为两大阵营的模型表示标准，推动跨框架模型转换。
深度学习可视化工具
- TensorBoard为行业主流工具，VisualDL兼容PaddlePaddle等主流框架。
- 工具帮助开发者分析数据分布、模型训练过程等。
标准模型算法资源库（Model Zoo）
- 各大平台提供多种模型，如TensorFlow Hub、TensorFlow Models、PyTorch、MXNet等。
- 提供从数据集到模型训练的全流程案例。
模型压缩优化工具集
- 包括通道剪枝、权重稀疏化、权重量化、网络蒸馏等。
- 腾讯的PocketFlow等工具实现了模型压缩与加速。

展开完整摘要

试读结束，高清完整版pdf/doc/ppt,请点下载