8月8日消息，據(jù)外媒報道，在智能手機領(lǐng)域，檢測目標(biāo)、分類圖像和識別人臉的應(yīng)用程序并不新鮮，比如Google Lens和Snapchat等應(yīng)用程序就很受歡迎。但無處不在并不能替代質(zhì)量，而最常用的機器學(xué)習(xí)模型(卷積神經(jīng)網(wǎng)絡(luò))要么速度較慢，要么不夠準(zhǔn)確。

　　然而，希望就在眼前。谷歌的研究人員已經(jīng)開發(fā)出一種人工智能(AI)模型選擇方法，以達(dá)到創(chuàng)紀(jì)錄的速度和精度。

　　在最新的論文和博客文章中，谷歌團(tuán)隊描述了新的自動化系統(tǒng)MnasNet，它從候選列表中識別出理想的神經(jīng)架構(gòu)，結(jié)合強化學(xué)習(xí)來考慮移動速度限制。在這項研究中，MnasNet在特定的設(shè)備上執(zhí)行不同的模型，并測量它們在現(xiàn)實世界中的性能，自動從中選出最好的。

　　研究人員在博客中寫道:“通過這種方式，我們可以直接衡量在現(xiàn)實生活中可以實現(xiàn)的東西，因為每種移動設(shè)備都有自己的軟件和硬件特性，可能需要不同的架構(gòu)才能在準(zhǔn)確性和速度之間取得最佳平衡。”

　　MnasNet系統(tǒng)由三個部分組成：1)一個循環(huán)神經(jīng)網(wǎng)絡(luò)驅(qū)動的控制器，用來學(xué)習(xí)和采樣模型的體系結(jié)構(gòu);2)一個構(gòu)建和訓(xùn)練模型的訓(xùn)練器;3)一個由TensorFlow Lite驅(qū)動的推理引擎，可以測量模型的速度。

　　谷歌團(tuán)隊在ImageNet(斯坦福大學(xué)和普林斯頓大學(xué)維護(hù)的圖像數(shù)據(jù)庫)和COCO對象識別數(shù)據(jù)集的公共對象上測試了其最優(yōu)模型。結(jié)果顯示，這些模型比最先進(jìn)的移動模型MobileNetV2快1.5倍，比神經(jīng)結(jié)構(gòu)搜索系統(tǒng)NASNet快2.4倍。

　　與此同時，在COCO上，谷歌的模型在MobileNet上實現(xiàn)了“更高的精度和更高的速度”，其計算成本比SSD300模型低35倍。

　　研究團(tuán)隊稱：“我們很高興看到我們的自動化方法可以在多個復(fù)雜的移動視覺任務(wù)上實現(xiàn)最先進(jìn)的性能。將來，我們計劃將更多的操作和優(yōu)化納入我們的搜索領(lǐng)域，并將其應(yīng)用于更多的移動視覺任務(wù)，如語義分割。”

　　這項研究是在“前沿”和“離線”人工智能獲得發(fā)展動力之際進(jìn)行的，尤其是在移動領(lǐng)域。在今年6月召開的2018年全球開發(fā)者大會上，蘋果推出了改進(jìn)版ML Core，這是一款面向iOS設(shè)備的機器學(xué)習(xí)框架。

　　在谷歌2018年I/O開發(fā)者大會上，谷歌發(fā)布了ML Kit，這是個軟件開發(fā)工具包，它包含了許多工具，使得在應(yīng)用程序中更容易部署定制的TensorFlow Lite模型。