在很多时候，机器学习的处理过程对我们来说都是黑箱，为了了解这个黑箱，研究者已经做了很多的工作。近日，Wired 一篇文章介绍了位于布里斯托尔的创业公司 Graphcore 在这方面的美丽贡献，该公司利用人工智能处理单元和软件创建了机器学习过程的「脑图」，得到的结果经过渲染后非常具有视觉冲击力。
Graphcore 是一家位于英国布里斯托尔的创业公司，该公司正在开发一种新型处理器——IPU（intelligent processing unit /智能处理器），可以用来帮助加速机器智能产品和服务的开发。除此之外，该公司还开发了一套可以帮助用户无缝使用 TensorFlow 和 MXNet 等机器学习框架的接口，并为此提供了一个包含工具、驱动和应用库的开源软件框架 Poplar。该公司已在 2016 年 12 月入选了机器之心 AI00 人工智能公司榜单。
Graphcore 公司在微软开发的神经网络 ResNet 上创造了很多富有技术感又不失艺术色彩的图片。该神经网络赢得了 2015ImageNet 分类竞赛冠军。这张图像展现了搭建在 Graphcore 的 IPU 之上的微软 ResNet-34 架构在 2016 年 12 月的训练全景图。这张图的色彩是后来填上的，用以强调计算密度在图形的卷积层产生发光中心。
该 ResNet 架构用来建立用于计算机视觉和图像识别的深度神经网络。这里展示的图像是向前（推理）通过 ResNet 的 50 层网络，该网络在经过 Graphcore 神经网络图像库训练之后用于分类图像。
这是一张使用 ImageNet 数据集训练的图像识别架构 AlexNet 完整的前向和后向通过的图。Graphcore 的波普勒图将机器学习框架，如 tensorflow 或 MXNet，转变成 1870 万个顶点计算图和一亿一千五百八十万个边缘。一个点就是两个或以上的曲线、线条或边缘交汇的地方。
运行在 Graphcore 的 IPU 上的 ResNet-34 计算机视觉架构的前向通过。该神经网络的层是可见的，图像中心显示的是层与层之间的连接。
2016 年 9 月，ResNet-34 的一张完整训练图像（full training graph）。Graphcore 说它看起来就像一个 MRI（磁共振成像）扫描，这是第一次为该网络反映出完整的图像。该网络表现的是计算密集度的顶点，并且用蓝色表示出其间的连接。
这一张是在 2016 年 11 月制作的 AlexNet 图像分类训练架构图。AlexNet 最后三层中的顶点是彩色的，而在该图其他部分都是黑白的。
AlexNet 图像分类训练架构从 2016 年 12 月开始就在 Graphcore 的 IPU 上运行。不同的颜色代表着在计算图谱上使用顶点的类型。图像使用绿色显示了三个完全连接层。
用于图像识别的 ResNet-34 的前向通过的一张图像。该图展示了多张图像并行穿过网络的位置，这个过程被称为 batching。
伊利诺伊大学使用深度学习加速由 LIGO 引力波探测器所生成的天体物理学数据的分析。如果将他们的模型放到 Graphcore IPU 上执行，就会得到这张图像。
一张来自 2016 年 8 月的微软研究院的 ResNet-50 的图像。这张图像展示了这个用于图像识别的网络的推理部分。该网络有 50 层，但在 IPU 上所需的层数更少，因为很多层都可以被不同的数据使用。
原文链接：http://www.wired.co.uk/gallery/machine-learning-graphcore-pictures-inside-ai
©本文为机器之心编译，转载请联系本公众号获得授权。
✄------------------------------------------------
加入机器之心（全职记者/实习生）：[email protected]
投稿或寻求报道：[email protected]
广告&商务合作：[email protected]
