谷歌开源张量计算库TensorNetwork,计算速度提升100倍

还记得张量网络吗?它越来越多地用于机器学习以执行复杂计算,但有许多障碍阻碍了其广泛应用。首先,还没有一个免费的可用加速硬件库来大规模运行底层算法。此外,大多数张量网络的文献都是面向物理应用的。

谷歌的人工智能部门今天宣布了TensorNetwork,这是一个开源库和API,是与Perimeter理论物理研究所和Alphabet的X skunkworks合作开发的。它旨在通过使用谷歌的TensorFlow机器学习框架作为后端,以及优化图形卡处理来提高张量计算的效率。

在初步测试中,谷歌报告称,与处理器上的工作相比,TensorNetwork可提升高达100倍的计算速度。

张量是根据其顺序按层次结构分类的多维数组。对于非初始化的张量,张量是按顺序在层次结构中分类的多维数组。一个普通的数是一个0阶张量,或者一个标量,而一个向量是一个1阶张量,一个矩阵是一个2阶张量。

因此,张量网络是用图形编码的张量收缩模式,是对几个组成张量的张量进行数学运算的类型,这些张量合在一起构成一个新的张量。

张量网络非常有效地代表了几个、几十个甚至几百个张量。它们不是直接存储或操纵它们,而是将张量表示为较大张量网络形状中的较小张量的缩略形式。这使得它们对图像分类,对象识别和其他AI任务更加实用。

TensorNetwork库旨在促进这一点,它是张量网络算法的通用库,谷歌期望它对研究工程师和研究科学家有用。它指出,在物理学中,近似量子态是张量网络的一个典型用例,它非常适合说明张量网络库的功能。

谷歌人工智能研究工程师Chase Roberts和X研究科学家写道:“张量网络让我们专注于与现实世界问题最相关的量子态——低能量状态,而忽略其他不相关的状态。通过开源社区,我们也总是向TensorNetwork本身添加新功能。我们希望TensorNetwork成为物理学家和机器学习从业者的宝贵工具。”

Roberts,Leichenauer及其同事利用TensorNetwork对未来的工作进行分类,对像MNIST和Fashion-MNIST等数据集中的图像进行分类,时间序列分析和量子电路仿真。

开源:

github.com/google/tensornetwork

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2019-06-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券