IBM運用分散式深度學習加快模型訓練過程，50分鐘圖像辨識度可達33.8％

IBM Research於本周二（8/8）發布，IBM利用分散式深度學習（Distributed Deep Learning，DDL）軟體來提升深度學習效能，並創下記錄。根據IBM官方部落格，IBM在64個Power系統中，共256顆GPU，透過分散式深度學習軟體，能在50分鐘內訓練深度學習模型ResNet-50，且能讓深度學習模型的圖像辨識準確率達33.8％。

（資料來源／IBM）

以往要部署大規模的深度學習，往往需要花費數天甚至數周來訓練深度學習模型，而IBM Research研究團隊的研究目的著重於，降低以大量資料來訓練大量模型的時間，以及提高機器學習模型的準確度。

IBM研究團隊研發分散式深度學習軟體，不僅提升了深度學習模型圖像辨識的準確度，更縮短訓練神經網路模型ResNet-101的時間。IBM宣稱僅需要7小時，而微軟訓練相同的ResNet-101模型則花費了10天。

根據IBM，現今流行的深度學習框架通常都在一臺伺服器上來擴展多顆GPU，以提升效能表現。不過，IBM Research研究團隊的分散式深度學習軟體，能優化且自動化在數十臺伺服器上，共上百顆GPU的平行運算，以提升處理速度，並縮短訓練深度學習模型的時間。

而IBM採用ImageNet-1K模型，來訓練深度學習模型ResNet-50僅費時50分鐘的記錄，超越了臉書（Facebook）用Caffe2模型，花費1小時來訓練類似深度學習模型的時間。另外，IBM在深度學習模型的圖像辨識準確度（33.8％）也超越微軟的29.8％。

IBM分散式深度學習軟體短片介紹：