Nul
Uitvoeren van kunstmatige intelligentie op mobiele apparaten is een warm gebied van concurrentie tussen leveranciers zoals Apple en Samsung, zoals ruimschoots aangetoond door Apple ‘ s voortdurende klemtoon op de “neurale motor” circuits binnen de “A-serie processors in de iPhone.
Maar als een technologie, mobiele neurale netwerk redenering is nog steeds een gebied evolueert met horten en stoten.
Recent onderzoek wijst hoe ongelijk zijn de inspanningen te voeren neurale netten op Google ‘ s Android-besturingssysteem. – Benchmark resultaten van onderzoekers aan de Zwitserse universiteit ETH Zürich blijkt dat de ontwikkeling van neurale netwerken op mobiele apparaten is nog steeds een harige business, met kaders die onvolledig zijn, chipsets met gemengde ondersteuning voor netwerken, en de resultaten zijn moeilijk te benchmark betrouwbaar.
In een paper gepubliceerd op arXiv deze week, met de titel “PIRM Uitdaging op Perceptuele beeldverbetering op Smartphones, Andrey Ignatov en Radu Timofte, zowel van het computer vision laboratorium aan de ETH in Zürich, beschrijven hoe ze gerangschikt teams van ontwikkelaars die mee hebben gedaan met verschillende soorten neurale netwerken die draaien op Android-telefoons.
Ook: Apple hoopt dat u zult erachter te komen wat te doen met AI op de iPhone XS
De reden voor de wedstrijd, als Ignatov en Timofte verklaren, is dat de AI de ontwikkeling van deze dagen wordt gedomineerd door de methodes die gebruikt worden op Pc ‘ s en servers, met weinig aandacht voor wat nodig is in de beperkte operationele omgeving van smartphones. ( Zie de uitdaging van de Web pagina.)
“Het algemene recept voor het bereiken van de beste resultaten in deze wedstrijden is vrij gelijkaardig: meer lagen/filters dieper architecturen en langere training op tientallen Gpu’ s.”
Misschien, de auteurs schrijven, “is Het mogelijk om zeer vergelijkbaar perceptuele resultaten door het gebruik van veel kleinere en het efficiënt gebruik van netwerken die op gangbare draagbare apparatuur zoals smartphones of tablets.”
De concurrenten waren belast met het bedenken van mengsels van netwerk elementen, zoals convolutional neurale netwerken, of CNNs, uit te voeren basic image taken, zoals het verbeteren van de look van de foto ‘ s op de telefoon. Hun netwerken moesten geschreven worden in Google ‘ s TensorFlow framework, moest passen in een bestand dat niet groter zijn dan 100 mb, en had om te werken in niet meer dan 3,5 gb DRAM. De modellen zijn uitgevoerd door Ignatov en Timofte op twee apparaten, 2017-tijdperk “Razer Telefoon” van Motorola, draait op Android 7.1.1; en een Huawei “P20” van April van dit jaar.
Waren de resultaten gerangschikt op basis van het netwerk was de meest efficiënte implementatie in termen van tijd in milliseconden genomen op de CPU voor het berekenen van de netwerken, en ook een aantal maatregelen van de kwaliteit van het geleverde werk.
De wedstrijd werd gehouden in samenwerking met de Europese Conferentie over Computer Vision gehouden in het midden van September in München, Duitsland.
Ook: Huawei busted voor het bedriegen van meer dan P20, Eer Spelen prestatie-indicatoren
De achtergrond van dit alles is dat de hardware versnelling van neurale netwerken blijft een mixed bag. In een apart artikel, ” AI Benchmark: het Uitvoeren van Diepe Neurale Netwerken op Android-Smartphones,” deze week vrijgegeven door Ignatov en Timofte, en co-auteur met vertegenwoordigers van Google, mobiele chip gigant Qualcomm, de concurrent van MediaTek, de auteurs nam een kijkje op hoe de verschillende chips in de scheepvaart Android-telefoons uit te voeren bij het doen van een aantal fundamentele beeld-verwerking, zoals gezichtsherkenning, beeld-indeling-en image-de-vervaging.
De auteurs getest negen taken over van 10.000 mobiele telefoons die in het wild, met meer dan 50 verschillende modellen van de processor met tal van neurale netto-versnellers en graphical processing unit of Gpu ‘ s.
Wat ze vonden was een echte mengelmoes. De eenvoudigste manier om het programma van de netwerken, ze notes, is het gebruik van Google ‘ s “TensorFlow Mobile” kader, maar dat kader ondersteunt geen een nieuwere bibliotheek, bekend als “Android NNAPI,” voor “Android Neurale netwerken API.” NNAPI werd gebouwd om de abstracte weg hardware details van de individuele processors van Qualcomm, MediaTek, Huawei en Samsung.
Dus een nieuwe bibliotheek, TensorFlow “Lite” naar voren is gebracht door Google voor het vervangen van de mobiele versie, en het ondersteunt NNAPI, maar Lite heeft zijn eigen beperkingen: het is in een “preview” release op het moment van het rapport, en dus het ontbreekt aan “full support” voor een aantal van neurale network operations, met inbegrip van de “batch en aanleg normalisatie.”
Ook: Qualcomm verhoogt mid-range smartphone AI met Snapdragon 670 mobiele platform
De auteurs ook gevonden Lite kan ook verbruiken veel meer DRAM dan de Mobiele versie. Als voor NNAPI, het ondersteunt niet alle soorten neurale netwerken. CNNs, bijvoorbeeld, zal worden ingezet op de AI versnellers in de apparaten, of Gpu ‘ s, maar ook andere soorten netwerken zijn actief op de CPU.
Kortom, de auteurs vinden dat de hardware acceleratie voor neurale netwerken “is nu evolueert zeer snel,” maar dat “het huidige tekort van gestandaardiseerde vereisten en voor het publiek beschikbare specificaties niet altijd zorgen voor een objectieve beoordeling van hun werkelijke voordelen en beperkingen.”
In het geval dat u geïnteresseerd bent in de hardware resultaten vonden de auteurs dat de “Kirin 970” processor die in de Huawei telefoons, en is ontwikkeld door de Huawei dochteronderneming HISilicon, bedekte de grafieken op de algehele prestaties over de negen taken. Het werd gevolgd door een Mediatek ‘ s “Helio P60,” en Samsung Exynos 9810.”
Maar de auteurs let op dat ze niet zijkanten zover waarvan de chip is beter, “als onze analyse heeft aangetoond dat bijna alle SoC fabrikanten hebben het potentieel om vergelijkbare resultaten te behalen in hun nieuwe chipsets.” Integendeel, ze beloven te leveren lopende benchmark test resultaten als de nieuwe chipsets en nieuwe kaders en stuurprogramma ‘ s, ontstaan.
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante artikelen:
Er is geen rol voor de AI of data science: dit is een team inspanning Opstarten Verwanten brengt glimp van hoop voor AI AI-robotica: Het uitzicht vanuit de Chief Data Science Office Salesforce intro ‘ s van Einstein Stem, een AI-voice assistant voor ondernemingen is Het niet de banen AI is het vernietigen van dat stoort me, het is die groeiende Hoe Facebook schalen AI
Verwante Onderwerpen:
Smartphones
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0