在如今深度學(xué)習(xí)大爆發(fā)的時代，相關(guān)的硬件平臺也在百花齊放，既有英偉達和谷歌這樣的科技巨頭，也有地平線機器人和 Graphcore 等創(chuàng)業(yè)公司——它們都各自提出了自己的解決方案。近日，多家公司的技術(shù)顧問 Matt Hurd 在其博客上發(fā)表了一篇全面評點各種神經(jīng)網(wǎng)絡(luò)硬件平臺的長文，機器之心對本文進行了編譯介紹。
　　這是我?guī)字芮白龅囊粋€傳統(tǒng)的 90 年代風(fēng)格的性別識別神經(jīng)網(wǎng)絡(luò)的很好的隱藏節(jié)點。
　　
　　一個簡單的性別識別器網(wǎng)絡(luò)中的 90 年代風(fēng)格的隱藏節(jié)點圖像
　　我的碩士項目是一種類似級聯(lián)相關(guān)（cascade correlation）的神經(jīng)網(wǎng)絡(luò) Multi-rate Optimising Order Statistic Equaliser（MOOSE：多速率優(yōu)化順序統(tǒng)計均衡器），可用于日內(nèi)的 Bund（國庫債券產(chǎn)品）交易。MOOSE 曾經(jīng)是為獲取高速的 LEO 衛(wèi)星信號（McCaw 的 Teledesic）而設(shè)計的一點成果，后來在從 LIFFE 遷移到 DTB 時將目標(biāo)轉(zhuǎn)向了 Bund。作為一家投資銀行的職業(yè)交易員，我可以購買很好的工具。我有那時候世界上最快的計算機：一個 IBM MicroChannel dual Pentium Pro 200MHz 處理器外加帶有幾 MB RAM 的 SCSI。在 1994 年那會兒，將 800，000 個數(shù)據(jù)點輸入到我的 C++ stream/dag 處理器中看上去就像是黑魔法。有限差分方法讓我可以做許多 O（1） 增量線性回歸這樣的運算，以獲得 1000 倍的加速。那時候這看起來已經(jīng)很好了。現(xiàn)在，你的手機都能嘲笑我的大方向。
　　那時候，在神經(jīng)網(wǎng)絡(luò)領(lǐng)域有很多研究。倒不是說它有過人的生產(chǎn)力，只是因為有用。讀到 Lindsay Fortado 和 Robin Wigglesworth 的 FT 文章《Machine learning set to shake up equity hedge funds》中 Eric Schmidt 關(guān)于機器學(xué)習(xí)和交易的看法，還真有點讓人高興：
　　Eric Schmidt 是谷歌母公司 Alphabet 的執(zhí)行董事長，他上周對一眾對沖基金經(jīng)理說他相信在 50 年內(nèi)，所有交易都會有計算機解讀數(shù)據(jù)和市場信號。
　　「我期待出現(xiàn)在交易方面做機器學(xué)習(xí)的創(chuàng)業(yè)公司，看看我描述的這種模式識別能否比數(shù)據(jù)分析專家的傳統(tǒng)線性回歸算法做得更好。」他補充說，「我這個行業(yè)內(nèi)的許多人都認(rèn)為這注定將成為一種新的交易形式?！?br />