第113章 意外的邀请 (第2/3页)
就像是所有人都拿了同样的刀切不同的菜，最后把切好的食材堆在一起。
可有的时候，一张卡上根本就放不下模型，这样的情况就比较麻烦了。因为一个人根本拿不动这把刀了，需要多人协作。
可以把每一层拆分到不同的卡上，也可以把不同层分配到不同的卡上，如此一来，其实是用多卡实现了类似单卡训练的效果。
显然，前者会比后者容易非常多，前者只需要在不同卡上复制这些模型，分别读取数据做运算就好。
而后者则需要根据不同的情况和设置拆分合并，一个不小心就会搞错。
看了下谷歌大脑的服务器，里面有好几批2013款的GTX泰坦，这东西着实价值不菲。
考虑到当时的其他产品，6G的显存还是鹤立鸡群的。
比起孟繁岐自己重金购置的4G旗舰款，多出的2G显存，足够做很多其他的事情了。
用速度换显存，孟繁岐又做了许多参数和信息在Cpu和Gpu上反复转移的操作。
因为在正式入职之前，谷歌大脑分配给他的显卡就已经有16张泰坦，这部分卡拨给孟繁岐独享，随时都可以使用。
除此之外，还有32张在不同节点上的Gpu可以申请占用。
“这时候的谷歌显卡还没有那么多，这个配置已经相当大方了。”
不仅有统一配置的系统和环境，还有提供好的多卡并行方式和例子。
再过两年，几千张上万张TPU都是标配。
孟繁岐如果想要将AI接入搜索系统，有三个主要的方向。
一是通过拆分关键词，通过语言模型来获取其在现实世界的含义，从而对结果进行更好的排名。
二是通过扩大模型的规模，使得它具备一定的宽泛理解能力，从而扩大能够搜索的内容量。
三则是让搜索引擎更能够理解不同语言顺序会如何改变查询的意图。
其中二目前比较难办，一和三孟繁岐的把握很大。
传统的RNN和LSTM的循环方式，就导致了在较长语句上比较难处理得当，对顺序的变化理解也没有那么充分。
孟繁岐的雏形T方法，在这方面具有得天独厚的优势。
除此之外，T方法虽然在小数据上难
（本章未完，请点击下一页继续阅读）