摘要： 本文讨论了训练大型深度学习模型，特别是自动语音识别（ASR）模型的挑战。文章指出，由于高维输入特征、大量参数和大量数据训练需求，训练这些模型既耗时又昂贵。为了提高迭代速度，作者提出了几个策略，包括使用更多GPU进行并行训练、使用低精度训练以及使用专用云服务器来降低成本。文章还强调了对于初创公司来说，快速迭代和优化成本的重要性，并提供了关于如何利用资源加速模型训练的建议。
讨论： 这段内容主要讨论了在产品中添加语音识别功能的相关问题。讨论了AssemblyAI和Google语音识别服务的比较，以及如何处理大规模训练的成本问题。其中涉及到了使用小网络进行本地GPU训练、利用Determined AI等工具来管理大规模工作、探讨如何减少训练成本、使用不同硬件加速器（如TPU）的成本分析，以及如何进行原型设计和迭代开发。还提到了在缺乏资金支持的情况下，训练模型可能面临的经济挑战。
原文标题：How to train large deep learning models as a startup
原文链接：https://www.assemblyai.com/blog/how-to-train-large-deep-learning-models-as-a-startup/
讨论链接：https://news.ycombinator.com/item?id=28786958