2018年1月28日上午，《麻省理工科技評論》新興科技峰會EmTech China于北京國貿大酒店正式召開，亞馬遜AWS首席科學家Animashree Anandkumar發表了演講。

以下附上演講全文：

多域技術已成為前沿科技的一大領軍技術力量，我非常榮幸在我的博士學位和博士后學位中研究這個話題。今天我會和大家談一談機器學習，怎么研究和量化機器學習。

深度學習需要經過多層甚至數百層的處理過程，這樣的機器學習也會在不同的GPU，進行跨機器、跨設備處理，這就需要網絡技術。多域模型能夠幫助我們同時處理科學、工程，各種領域方面的應用。我們一直致力于尋求機器學習多域模型的解決方案，以及多領域的應用如何能夠在云上進行計算。

深度學習跨越了許多的領域。首先我們做的是圖像理解，基礎任務是識別不同的物品。對于人類來說在一張圖片中識別物品很簡單，但是對于機器來說卻是極度困難的。但我們的體系有了很大的改善，也比以往的更有優勢。

之后我們也在語音識別方面取得了突破。針對不同語言的自然語言處理也有了深度學習參與。不同的語言有不同的結構，怎么才能自動的處理這些不同的語種并理解他們？

人類利用語言在不同的背景下進行交流，比如聽說讀寫。在這些過程中，語種的表現方式是不一樣的。機器如何來處理不同的語言呢？這就是深度學習面臨的挑戰。

另一個領域就是關于無人駕駛。怎么提高其的性能，怎么識別障礙物，怎么能夠有很好的視覺，怎樣立即做出決策，這些都是無人駕駛技術需要解決的一些問題，也是深度學習可以發揮作用的地方。

和大家分享一下怎么運作當前的深度學習模式。深度學習有很廣泛的運用領域，我們有一些專門的項目，也在將它應用到更多不同的硬件基礎設施中。Mxnet就是其中的一個深度學習引擎，這個項目首先由大學里的研究員開發，現在我們正在AWS開發這個引擎。

這個引擎的優點是顯而易見的。它建立了一個網絡，編程過程、表述、特征描述、風格都非常靈活、方便，提高了程序員的效率。同時也提供了很好的語言支持，且前后端自動對接，提高了編程的效率。

這個網絡有一些固定的數據，相互連接的層級會在輸入和輸出之間進行連接。雖然一些專門的項目編程過程比較容易書寫，語流更長，書寫起來象征物也更多。在計算順序方面，他們有一定的序列關系，我們制定了圖表來自動進行平行的對比。它還實現了記憶進行自動化，這樣在代碼運算時也提高了效率。

我們也用多GPU的訓練提升效率。一個機器上面會有多個GPU進行數據并行化，可以同時獲得大量的數據。中央數據是來自于不同CPU等級上面的網絡，數據不斷地向下劃分，進入各個GPU。

GPU需要進行處理時發現了相似的內容就會進行整合，也增加了我們的效率。GPU可以在Mxnet上面整合運算結果，這樣成本也比較低。同時我們也提升了Mxnet的性能。增加了GPU以后，整個輸入輸出效率也會翻翻。這是在AWS基建上運行的，包括B2X和B22X。

所有的服務里面， Mxent的效率最高，有91%，包括Resnet和Inception v3和Alexnet。這是有多個GPU的單一基體。在多基體上每一個機器都有16個GPU，組合到一起后，所有的數據經過網絡就會影響效率。但我們的效率并沒有降低很多，因為Mxnet它的打造非常緊密，可以提升效率。所以我們可以進行這種分布式的多機器的訓練。

這些現在也可以應用于一些情景的運行以及我們多GPU和CPU的框架之中。我們也希望可以提供這樣的技術給我們的消費者，讓他們知道我們分布式的訓練有非常好的技術包裹，可以幫助我們進行網絡壓縮以及網絡解壓，提供好的技術服務。

所有的這些框架，都可以應用于我們的機器學習平臺CHMaker。這是多機器學習的一個平臺，所有的分布式深度學習框架都可以在這個平臺上進行運行，比如說TensorFlow、Mxnet。我們的平臺除MxNet之外可以支持所有的框架，我們希望可以給我們的用戶更多靈活的選擇。

除此之外，DeepLens也是我們最近發布的第一款深度學習的攝像頭，可以提供很多的服務，比如語言、語句、計算機視覺等。使用者不需要培訓自己的學習模型，完全可以使用我們的服務。