【MIT团队新系统30倍速提高AI模型构建效率】
在 #医疗图像# 处理、语音识别等应用中，AI 模型需要处理极为复杂的数据结构，这一过程消耗大量计算资源，而这也是深度学习模型能耗巨大的原因之一。
为了进一步提高 #AI# 模型的效率，麻省理工学院的研究人员开发了一套自动化系统，让深度学习算法开发者能够同时利用两种类型的数据冗余，进而减少了机器学习运算所需的计算、带宽和内存使用量。
现有的优化算法技术大都比较繁琐，并且通常只允许开发者利用“稀疏性”或“对称性”中的一种，两者均为深度学习数据结构中不同类型的冗余。
如今， #麻省理工学院# 研究人员开发的新方法能让开发者从头构建同时利用这两种冗余的算法，在某些实验中该方法将计算速度提升了近 30 倍。
戳链接查看详情：
MIT团队新系统30倍速提高AI模型构建效率
在 #医疗图像# 处理、语音识别等应用中，AI 模型需要处理极为复杂的数据结构，这一过程消耗大量计算资源，而这也是深度学习模型能耗巨大的原因之一。
为了进一步提高 #AI# 模型的效率，麻省理工学院的研究人员开发了一套自动化系统，让深度学习算法开发者能够同时利用两种类型的数据冗余，进而减少了机器学习运算所需的计算、带宽和内存使用量。
现有的优化算法技术大都比较繁琐，并且通常只允许开发者利用“稀疏性”或“对称性”中的一种，两者均为深度学习数据结构中不同类型的冗余。
如今， #麻省理工学院# 研究人员开发的新方法能让开发者从头构建同时利用这两种冗余的算法，在某些实验中该方法将计算速度提升了近 30 倍。
戳链接查看详情：
MIT团队新系统30倍速提高AI模型构建效率
