162. 网络的重参数化

    马斯克的主要商业版图是汽车与火箭这样的重工业，其实原本与这个时间点的人工智能关系没有那么大。

    不过他个人的确是想法极其前沿又激进的一个人，造普通的车可不是他的风格。

    特斯拉不仅要带电，还要带自动驾驶！

    不仅如此，面对孟繁岐在视觉算法上的接连突破，他有一个大胆的想法。

    那就是希望为自己的特斯拉电车产业打造一个纯计算机视觉系统，而不借助其他技术手段。

    这是导致他此次再次来寻找孟繁岐，追求技术突破的主要原因。

    個人来说，他其实已经对上次的结果非常满意了，只不过他给自己的目标定的太高，想要完成这还远远不够。

    自动驾驶在深度学习发展起来之前就已经有了一些不错的成果，不过那些内容都是基于雷达和传感器居多。

    主要通过激光雷达或者其他传感器来检测物体，以及这些物体距离车辆的距离。

    不过马斯克觉得，这与人类cao作车辆的方式不大一样，太不酷了。

    想想人类是怎么开车的？

    一个人在驾驶汽车的时候，基本上就是纯视觉的，只靠看就能驾驶。车辆上那些镜，主要就是为了方便人看到周围和后面。

    可能偶尔有一些听觉的辅助效果，比如鸣笛，不过不是特别关键。主要还是视觉系统在起到作用。

    马斯克称之为第一原理思维，他希望做出的智能系统完全按照人类的逻辑去驾驶车辆，而不是借助传感器，毕竟人类可没有这样的超能力。

    但是视觉系统完全是基于大量的相机的，非常依赖高精度的检测算法，这就会带来很多的问题。

    如果检测到的东西数据集中没有见过怎么办？那还能检测到吗？

    基于激光雷达的传感器办法，不管碰到什么，总是可以检测到粒子和物体，它的原理像不像人类不说，至少不那么容易直接撞上去。

    纯依靠视觉的智能系统那可就不好说了，必须先用网络处理图像，然后加以分析。

    一旦分析出错，出现了误判，那是必撞无疑，肯定会发生车辆事故，一头创死在上面。

    马斯克激进的技术策略和喜好导致了一个问题，那就是人工智能算法要做的事情太多了。

    想要完全弃用传感器，那四面八方都得安装车载摄像头才行，才能保证前后左右都看得清楚。

    此外，还有一个重要的事情，那就是距离的估计。

    对于人类来说，根据一张图片去判断其中距离的远近，实在太过容易，可这对人工智能视觉算法来说，不是一件容易的事情。

    以现在的技术条件，需要进行非常复杂的标注，去分析样例图片中各个部位和像素的距离远近。

    因为图片毕竟是2D平面的，而自动驾驶是一个需要掌握好空间距离的任务。

    通过大量不同角度的平面图片，来重构一个三维的空间，甚至鸟瞰视角的三维空间是必要的。

    不过现在这还只是空中楼阁，马斯克再次联系孟繁岐的来意非常简单，就是希望这个作为骨干的神经网络可以再快一点，或者计算量再小一点。

    否则以目前的情况看，特斯拉很难负担得起这个运算量。

    实际上，马斯克没有对这件事情抱有特别大的希望。在他看来，孟繁岐上次给出的方案已经好到非常离谱了。

    在这个大家才刚开始复现DreamNet，还没把残差的原理和一些变种搞明白的时间点，孟繁岐已经针对各种不同平台的其他运算设备，做了相当多的实验。

    从而通过优化算子结构，调整特定计算过程的方式，将这个核心的骨干网络参数量减少了接近十倍。

    运算快了这么多，性能却没什么变化，这已经非常不得了了。

    马斯克有这一问，也是私下里的随口一提。

    但他名头太大，以往自己做的事情又太疯狂，导致孟繁岐听着他那颇为低沉，有磁性的声音之时，当了真。

    还真以为这是个非常严肃认真的需求。

    “自动驾驶的热度确实也快起来了，我专门针对这方面做点优化工作，也不算亏。”

    孟繁岐一边利用着重生优势开始抄底一些车企的股票，一边开始着手实现一个巧妙的加速并且节省内存的方式。

    这个新的优化办法叫做网络结构的重参数化。

    这半年来，视觉方法性能的突飞猛进来自于孟繁岐提出的残差方法，也就是将y=F(x)变为y=F(x) x。

    这里的写法比较简便，将一系列复杂的cao作，抽象归纳为F()，在实际运算过程中，这个F()还是比较复杂的，往往需要算上好一会。

    但在计算的时候，就有一个问题了，原本y=F(x)运算开始的时候，就不再需要继续存储x这个变量了，因为它已经在参与F(x)的运算。

    在运算过程当中，它会变成其他的中间变量，然后最终变为我们所想要的y。

    可在残差办法当中，y=F(x) x，x这个原始的输入，是不能够舍弃的。

    必须有空间一直被占用着，用来存放这个x，因为它还等着最后加上去呢。

    在比较复杂，分辨率比较高的任务当中，这个变量的大小是相当可观的。

    这种情况有没有办法可以规避？规避之后，残差方法带来的性能提升能不能不要被影响？

    答案当然是肯定的，完全可以做到。

    孟繁岐准备实现的这种结构重参数化，其最核心的思想就是模型训练和实际使用推理的分离。

    首先构造一系列结构（一般用于训练），并将其参数等价转换为另一组参数（一般用于推理），从而将这一系列结构等价转换为另一系列结构。

    在现实场景中，训练资源一般是非常丰富的，可以在大型的服务器上得到。

    而推理的时候，计算资源往往会比较有限，因此大家更在意的是推理时的开销和性能。

    想要训练时的结构较大，具备好的某种性质，比如性能特别好，准确率特别高。

    但在推理的时候，则把结构变小变快，同时在数学上等价于大型的结构。

    孟繁岐的这个新办法，就提供了这种可能，他相信，重参数 移动端网络的算力削减，将会成为自动驾驶领域的一大催化剂。