蘋果近日發布了DeepPCR機器學習算法，通過并行處理常規順序操作，可以加速神經網絡的推理和訓練。

神經網絡處理過程中，目前廣泛采取并行化技術，不過神經網絡中的一些操作仍然是按順序完成的，擴散模型通過一系列的去噪階段生成輸出，并且逐層進行向前和向后傳遞。隨著步驟數的增加，這些進程的順序執行在計算上變得昂貴，可能會導致計算瓶頸。

蘋果科研團隊為了解決這個問題，推出了DeepPCR算法，進一步加速了神經網絡的訓練和推理。該團隊采用了平行循環還原（PCR）算法來檢索該解決方案，將順序過程的計算成本從 O（L）降低到 O（log2 L），降低了復雜性，提高了運行速度。

團隊表示多層感知器中部署DeepPCR算法之后，并行化前向和后向通過，實現了最高30倍的前向傳遞速度和最高200倍的向后傳遞速度。

DeepPCR算法主要結論如下：

· DeepPCR是一種用于在神經網絡訓練和推理中并行化順序過程的創新方法。它的主要特點是能夠將計算復雜度從 O（L）降低到 O（log2 L），其中L是序列長度。

· DeepPCR已用于并行化多層感知器（MLP）中的前向和后向傳遞，還對該技術的性能進行了廣泛的分析，以確定該方法的高性能狀態，同時考慮基本設計參數。

· DeepPCR已被用于加速MNIST上的深度ResNet訓練，以及在MNIST、CIFAR-10和CelebA數據集上訓練的擴散模型的生成。結果表明，雖然DeepPCR顯示出顯著的加速，將ResNet訓練的數據恢復速度提高了7×，擴散模型創建速度提高了11×。