利用GPU和深度学习算法加速十亿向量相似性搜索

基于 GPU 的功能， Facebook AI Research 的一个团队开发了一种更快、更有效的 AI 运行相似性搜索的方法。这个 study ，发表于 IEEE 大数据交易 ，创建了一种深度学习算法，能够处理和比较来自媒体的高维数据，速度明显更快，同时与以前的技术一样精确。

在一个数据供应量不断增长的世界中，这项工作有望减轻处理大型库所需的计算能力和时间。

“搜索和索引［高维数据］最直接的技术是蛮力比较，你需要对照数据库中的其他图像检查［每个图像］。这对于包含数十亿载体的集合来说是不切实际的，”研究科莱德和 Facebook 的研究工程师杰夫·约翰逊在一份新闻稿中说。

包含数百万像素和数据点的每幅图像和视频都会产生数十亿个矢量。这些大量的数据对于分析、检测、索引和比较向量非常有价值。计算大型库与依赖于多个超级计算机组件的传统 CPU 算法的相似性也存在问题，从而降低了总体计算时间。

研究人员只使用了四个 GPU 和 CUDA ，设计了一个 多 GPU 到宿主和肛门的算法分析库图像数据点。该方法还压缩数据，使其更容易，从而更快地进行分析。

新算法在 35 分钟内处理了 9500 多万张高维图像。 10 亿个向量的图形计算起来不到 12 小时。根据该研究中的一项比较测试，使用 128 台 CPU 服务器集群处理同一数据库需要 108 。 7 小时，约长 8 。 5 倍。

约翰逊说：“通过将计算完全放在 GPU 上，我们可以利用加速器上更快的内存，而不是处理 CPU 服务器上较慢的内存，甚至传统超级计算机集群中较慢的机器对机器网络互连。”。

研究人员表示，这些方法已经应用于各种各样的任务，包括翻译的语言处理搜索。被称为 Facebook AI 相似性搜索库的方法是 开源 用于实现、测试和比较。

关于作者

Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

审核编辑：郭婷

算法向量搜索检测

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。