IT之家 12 月 21 日消息，谷歌日前推出一款名为 TpuGraphs 的模型训练数据集，主要用于“优化编译器”、“提升 AI 深度学习能力”。

谷歌指出，当下 AI 深度学习系统通常使用 TensorFlow、JAX、PyTorch 等框架训练而成，这些框架主要通过底层编译器的启发式算法（Heuristic Algorithm）优化模型，而在相关编译器中运用“学习成本模型”，即可改善编译器的性能，并提升最终输出模型的深度学习能力。

IT之家获悉，谷歌推出的 TpuGraphs 数据集正是一款“学习成本模型”，这款数据集的内容主要来自各种开源深度学习程序，涵盖多种热门模型架构，例如 ResNet、EfficientNet、Mask R-CNN 和 Transformer 等。

与业界竞品相比，谷歌 TpuGraphs 数据集“平均图大小”相比业界训练集大了 770 倍、“图数量”则是对了 25 倍。谷歌声称，为编译器应用 TpuGraphs 数据集可有效解决最终输出的模型“可扩展性”、“效率”和“质量”等问题。

此外，谷歌还介绍了一种名为 GST（Graph Segment Training）的模型训练方法，允许在 RAM 有限的设备中训练大型图神经网络。该方法号称能够令模型“端到端训练时间”加速 3 倍，有效提高模型训练效率。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。

本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/740/737.htm]