【TechWeb报道】7月19日消息，现今伴随人工智能在技术上的不断突破，一些领域如计算机视觉，已开始与各个行业进行了深度融合。例如保险行业已通过人脸识别这种新时代的认证方式，来对用户身份信息进行识别与审核。

而在计算机视觉背后，是以深度学习为依托进行的展开，目前深度学习较为成熟分别是人脸识别、物体检测、物体跟踪等方面的应用。而在应用的背后，深度学习计算的优化亦成为了重中之重，毕竟深度学习的模型是迅速迭代的，开发者要针对每一个模型尝试不同的模型和算法，从而对其参数和网络结构进行调整。

但大模型的训练要耗费上数天乃至数月的时间，所以若想实现模型的快速迭代，高效的训练和推理的方式显得尤为重要。因此模型优化虽然费时费力，但却是个高回报的投入。

深度学习框架的现状与挑战

众所周知，深度学习对人工智能的发展起着至关重要的影响，但深度学习也是一项极具挑战的工作。其一是深度学习领域以大规模标注数据为支撑进行的展开，必须要以数据为前提才能利用现有的统计学模型。

其二是需要先进的网络模型的创新，记得在2015年，微软夺冠ImageNet计算机视觉识别挑战时，曾揭开过152层的神经网络模型，比VGG网络深8倍，并使用“残差学习”理论来指导神经网络结构的设计。但如此深的模型，自然也对系统提出了很高要求。

虽然目前硬件和网络的发展极为迅速，GPU、芯片等硬件的发展也提供了比以往更为强大的计算能力，同时网络连接也为深度学习带来了全新的发展机遇。但遗憾的是，系统方面所出现的瓶颈问题却尚未得到解决，如何将不同模型高效地映射到相应的硬件上并定制优化，是深度学习目前面临的挑战之一。

相关报道: