计算资源有限的人如何在深度学习领域成长？

@ 一个旅人

结合自己学习Deep Learning以来的经验来谈谈自己的感受吧，实验室刚开始也只有单卡的机器，现在工作了有机会使用更多的计算资源。

如果从学习的角度上来说，一般的机器学习模型或者深度学习模型单卡还是能够支撑的，视觉领域的不是特别了解，在自然语言处理领域常见的任务（情感分类，序列标注，QA，NMT除外吧），常用数据集单卡都是可以应付的。最近比较大的语言模型，ELMo单卡也是可以训练的，只是时间长一点，BERT单卡调用预训练的模型也没有问题。

从做科研的角度来说，个人觉得不要执着于去做和工业界去拼计算资源的问题，BERT是个好东西拿过来用就可以了。在NLP领域，BERT出来之后几乎让单卡刷state-of-the-art变成了很困难的事情，其实这也不是坏事，学术界在有限计算资源的情况下应该更集中的去解决那些deep learning 中fundamental的问题，至于那些需要大量计算资源的的工作就交给工业界吧。

知乎回答链接：

https://www.zhihu.com/question/304263105/answer/617594784

@ Wendell

现在Google Colab上有免费的TPU啊，知道TPU有多快么？常规训练一个Resnet50只要10个小时，和8卡V100的速度相当。

当然Colab的TPU有些坑要爬，说几个最关键的，以免大家浪费时间：

1. 除了Mnist之类可以缓存的小数据集，必须用Google Cloud Storage，否则IO会是瓶颈

2. 有些ops被硬件限制了，自定义ops肯定都不行了，因为backend不是CUDA，Tensorflow自己的很多API也不能用，比如tf.images里头的很多API，所以ROI Align之类的ops都无法实现，也就是Two stages的物体检测算法都无法实现（官方也只给出了retinanet的实现）

3. Notebook经常断线，我准备写个浏览器脚本来实现自动重连。

4. Tensorflow

补充一下：要是觉得Colab不好用，直接花钱用TPU也不贵，抢占式的TPUV2 8核，一个小时只要1.35美元，性价比比GPU高太多了，想跑超大规模的模型，还可以选择TPUV3，TPUV2 32核、 128核、256核。。。

20190102更新：发现最近官方复现了Mask RCNN，使用高级API实现了ROI Align。

另外说明一下为什么必须用GCS：TPU的运作方式和GPU不同，GPU是直接挂载到VM上，然后你就可以像本机使用GPU一样用就好了，TPU是有TPU Server的，VM并不能直接访问TPU，而是在VM上编译好XLA，然后丢给TPU Server，所有的数据读取、预处理、和TPU通讯等，都是在TPU Server上运行，所以你如果把数据放在VM上，IO必然是瓶颈。这也是为什么不管你跑多大的模型，Colab配给你的VM性能都是够用的。

知乎回答链接：

https://www.zhihu.com/question/304263105/answer/543461352

@ 齐国君

在校学生就想办法进有"真正"做深度学习实力的实验室；也工作的人就想办法跳到这方面的岗位上。

这些不是重点，重点是你怎么学、怎么提高对问题和模型的理解？这里的误区是“计算资源有限”。即便在大公司和大实验室，计算资源都不是无限供应的。很可能的情况是你要和其他组其他同学和同事去抢。

所以关键是，你怎么高效地使用有限的计算资源。很多同学容易反的错误是一上来就从Github上下载个模型来跑。跑着跑着就变成了调参，最后模型的性能是上去了，但啥也没学会。

正确的姿势是要搞清楚这个模型或方法的关键是什么？和其他方法比有什么优点，解决了什么问题？但更重要的是搞清楚它不能解决什么问题？

研究一个模型或者方法的过程，往往最重要的是找到它不能做什么。一个模型或者方法不可能什么问题都解决的（参考no free lunch)。用这个模型的过程，其实就是要发现这点；搞清楚了这点，就知道了它的适用边界，就能更有效的在有限计算资源下高效的使用它，而不是把资源浪费到它不适应的情形和数据上。

所以高效使用有限计算资源的方法就是反着用，用有限资源去找到模型的适用范围的边界。这个比重复的去在已经反复被证明适用的范围（数据、场景）上浪费有限资源获得的提高要大得多也快得多。

更进一步，如果有办法改进这个模型，并把它的适用边界进一步扩展，那么恭喜你，你就真正掌握了这个模型了。

知乎回答链接：

https://www.zhihu.com/question/304263105/answer/560291142