谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPU

Google针对移动设备以及人工智能运算架构Edge TPU,发布选用AutoML技能优化的机器学习模型MobileNetV3和MobileNetEdgeTPU。在保持相同精确度的情况下,MobileNetV3的运算速度是前一代MobileNetV2的两倍,而MobileNetEdgeTPU模型则是专为Edge TPU架构规划,在机器学习运算的速度、准确度以及功耗功率体现,可比其他模型还要好。

为了一起实标签5现谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPU隐私保谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPU护、总是可用以及回应式的人工智能功用,Google在移动设备上参加机器学习运算硬件与算法,像是在最谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPU近发布的手机Pix谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPUel 4中就布置Pixel Neural Core,这是Google Edge TPU人工智能运算架构的实例,供给像是脸部辨认解锁、智能助理以及特别相机功用等运用。除了硬件之外,算法也是机器学习运用至关重要的元素,且由于移动设备不像是云核算服务器,有着理论上无限的运算才能,因而设备上的模型需求有具紧缩且有功率的特性。

Google现在发布的两个最新设备上机器学习模型,在功能与功耗体现都取得发展。MobileNetV3与之前由人工规划的MobileNet不同,Google运用AutoML技能,为手机核算机视觉使命寻觅Mobi标签1leNetV3的最佳架构,并且为了在不同条件都可以供给最佳功能,Google一起产出大与小两种模型。

(下图左)以小型模型来看,在设备Pixel 4中,绿线MobileNetV2要到达与蓝线MobileNetV3相同的精确度65.4%,MobileNetV2推迟达10ms,而MobileNetV3推迟则只要5ms。而在(下图右)可看到,蓝线大型MobileNetV3模型与绿线MobileNetV2的比较,当谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPUMobileNetV3达75%的精确度与MobileNetV2达70%的精确度时,所发生的推迟均为20ms,显着的MobileNetV3功能比起前一代提高不少。

除了分类模型之外,MobileNetV3还参加目标侦测模型,在COCO数据会集运用相同精确度,MobileNetV3比Mob谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPUileNetV2的侦测推迟少了25%。

另一个Google发布的机器学习模型MobileNetEdgeTPU,则是专为Pixel 4中的Edge TPU规划,Google说到,Pixel 4中的Edge TPU架构与Coral产品系列中的Edge TPU板类似,可是有为手机上的相机进行调整。Google相同也运用了AutoML办法,为机器学习模型MobileNetEdgeTPU进行优化。

MobileNetEdgeTPU在硬件Edge TPU中有着极佳的推迟体现以及精确度,与MobileNe谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPUtV2和极简型MobileNetV3比较,在固定推迟的情况下,MobileNetEdgeTPU能供给更高的精确度(下图),并且花费的功耗更少,在相同精确度下,MobileNetEdgeTPU运用的功耗不到极简型MobileNetV3的50标签20%。

Write a Comment

电子邮件地址不会被公开。 必填项已用 *标注

滚动到顶部