電子發燒友網報道（文/李彎彎）在深度學習中，經常聽到一個詞“模型訓練”，但是模型是什么？又是怎么訓練的？在人工智能中，面對大量的數據，要在雜亂無章的內容中，準確、容易地識別，輸出需要的圖像/語音，并不容易。因此算法顯得尤為重要。算法也就是模型。

算法的內容，除了核心識別引擎，也包括各種配置參數，如：語音智能識別的比特率、采樣率、音色、音調、音高、音頻、抑揚頓挫、方言、噪音等。成熟的識別引擎，核心內容一般不會經常變化。為實現“識別成功”這一目標，就只能對配置參數做調整。

對不同輸入，我們會配置不同參數值，最后在結果統計取一個各方比較均衡、識別率較高的一組參數值，這組參數值，就是訓練后得到的結果，這就是訓練的過程，也叫模型訓練。

如何訓練一個AI模型？

訓練模型需要用到AI框架，比如MindSpore。具體如何訓練一個AI模型呢？昇思MindSpore

此前發布一個詳細的案例，訓練的模型是用來對手寫數字圖片進行分類的LeNet5模型。MindSpore是華為推出全場景AI計算框架，2020年3月28日宣布MindSpore正式開源。

首先是安裝MindSpore，MindSpore提供給用戶使用的是Python接口。安裝的時候，選擇合適的版本、硬件平臺、操作系統、編程語言、安裝方式。其次是定義模型，安裝好之后，就可以導入MindSpore提供的算子（卷積、全連接、池化等函數）來構建模型了。構建一個AI模型就像建一個房子，MindSpore提供的算子就像是磚塊、窗戶、地板等基本組件。

接下來是導入訓練數據集，什么是訓練數據集呢，剛剛定義好的模型是不能對圖片進行正確分類的，要通過訓練過程來調整模型的參數矩陣的值。訓練過程就需要用到訓練樣本，也就是打上了正確標簽的圖片。這就好比教小孩兒認識動物，需要拿幾張圖片給他們看，告訴他們這是什么，教了幾遍之后，小孩兒就能認識了。

那么這里訓練LeNet5模型就需要用到MNIST數據集。這個數據集由兩部分組成：訓練集（6萬張圖片）和測試集（1萬張圖片），都是0~9的黑白手寫數字圖片。訓練集是用來訓練AI模型的，測試集是用來測試訓練后的模型分類準確率的。

再接下來就是訓練模型，訓練數據集和模型定義完成后，就可以開始訓練模型了。在訓練之前，還需要從MindSpore導入兩個函數：損失函數，就是衡量預測結果和真實標簽之間的差距的函數；優化器，用來求解損失函數關于模型參數的更新梯度的。準備好之后，開始訓練，把前面定義好的模型、損失函數、優化器封裝成一個Model，使用model.train接口就可以訓練LeNet5模型了。最后就是測試訓練后的模型準確率。

訓練AI模型花費大

當然，模型訓練需要強大的算力支撐，尤其是參數量大的模型，花費極大。

比如OpenAI的語言模型GPT-3，這是一個大型的、數學模擬的神經網絡，從網絡上抓取大量文本進行訓練后，GPT-3可以以驚人的連貫性預測哪些詞應該填在其他詞前后，生成流暢的文本。據估計，訓練GPT-3的成本接近500萬美元。

一些小企業想要訓練一個參數較大的算法，往往比較苦難。健康IT公司Optum的一位領導此前表示，他們團隊使用語言模型來分析通話記錄，識別哪些患者風險較高，哪些應該及早推薦轉診。只是訓練一個GPT-3大小千分之一的語言模型，也會很快耗盡團隊的預算。

另外一家從事搜索業務的創業公司Glean，一直很想使用最新的AI算法來改進公司的產品。

Glean提供Gmail、Slack和Salesforce等應用程序進行搜索的工具，用于解析語言的新AI技術，可以幫助公司的客戶更快地發掘正確的文件或對話。

但是訓練這樣一個尖端的人工智能算法需要花費數百萬美元。Glean只好使用更小、能力更弱的AI模型，然而這些模型無法從文本中提取出盡可能多的含義。

小結

過去十幾年，AI取得了一些列舉世矚目的成績，包括在游戲中擊敗人類，讓汽車可以行駛在城市的街道上，AI自己編寫連貫的文字，做出可以媲美畫家的畫作。這都得益于數據量的不斷積累，算法的不斷優化，以及可以支撐算法訓練的算力的不斷強化。

然而，在發展的過程中同樣還存在一些問題。比如對于小企業來說，訓練高級AI算法成本高，這就會使得AI的全面應用受到阻礙等問題。當然AI整體呈現出快速發展的趨勢，業界也在不斷探索有利于AI發展的方式，比如大模型的出現，本身也是為了解決通用性的問題，比如說模型簡化，減少模型訓練所需要算力等。