Zero
L’exécution de l’intelligence artificielle sur les appareils mobiles est un quartier chaud de la concurrence entre les fournisseurs tels que Apple et Samsung, comme l’ont amplement démontré par Apple continue de mettre l’accent sur les “neurones moteur” circuits à l’intérieur de son “Un de la série” les processeurs de l’iPhone.
Mais comme la technologie, mobile, réseau de neurones raisonnement est encore un domaine en évolution par sauts.
La recherche récente met en évidence à quel inégale sont les efforts pour exécuter des réseaux de neurones sur Google Android système d’exploitation. Les résultats d’un Benchmark des chercheurs Suisses de l’université ETH de Zurich révèlent que le développement des réseaux de neurones sur des appareils mobiles est encore un poilu de l’entreprise, avec des cadres qui sont incomplètes, avec les chipsets mixte de soutien pour les réseaux, et les résultats qui sont difficiles à comparer de manière fiable.
Dans un article publié sur arXiv cette semaine, intitulé “PIRM Défi sur les impressions d’Amélioration de l’Image sur les Smartphones,” Andreï Ignatov et Radu Timofte, à la fois de la vision par ordinateur au laboratoire de l’ETH Zurich, de décrire comment ils ont classé les équipes de développeurs qui ont rivalisé avec les différents types de réseaux de neurones fonctionnant sur les téléphones Android.
Aussi: Apple espère que vous allez comprendre de quoi faire avec l’IA sur l’iPhone XS
La raison de la concurrence, comme Ignatov et Timofte expliquer, c’est que l’IA de développement de ces jours-ci est dominée par les approches utilisées sur les Pc et serveurs, avec peu de considération pour ce qu’il est nécessaire dans les contraintes de l’environnement d’exploitation de smartphones. ( Voir le défi de la page Web.)
“La recette pour obtenir les meilleurs résultats lors de ces compétitions est assez similaire: plus de couches/filtres, des architectures plus profondes et les plus de la formation sur des dizaines de Gpu.”
Peut-être, écrivent les auteurs, “Il est possible d’obtenir des résultats très semblables résultats perceptifs en utilisant beaucoup plus petites et plus économes en ressources, des réseaux qui peuvent s’exécuter sur la commune de matériel portable, comme les smartphones ou les tablettes.”
Les concurrents ont été chargés avec à venir avec des mélanges d’éléments de réseau, tels que les réseaux de neurones à convolution, ou CNNs, à la base de l’image de tâches, telles que l’amélioration de l’apparence de photos prises sur le téléphone. Leurs réseaux devaient être écrites dans Google TensorFlow cadre, devait tenir dans un fichier qui n’est pas plus de 100 mo, et avait à l’exploitation dans pas plus de 3.5 go de DRAM. Les modèles ont été exécutés par Ignatov et Timofte sur les deux appareils, un 2017 de l’époque de la “Razer” de Téléphone de Motorola, fonctionnant sur Android 7.1.1; et un Huawei “P20” à partir de avril de cette année.
Les résultats ont été classés selon le réseau qui a été le plus efficace de mise en œuvre en termes de durée, en millisecondes, pris sur le CPU pour calculer les réseaux, et aussi quelques mesures de la qualité du travail produit.
La compétition a eu lieu en conjonction avec la Conférence Européenne sur la Vision par Ordinateur est tenue à la mi-septembre à Munich, en Allemagne.
Aussi: Huawei éclaté pour la tricherie sur P20, l’Honneur de Jouer à des tests de performance
L’arrière-plan de tout cela est que l’accélération matérielle des réseaux de neurones reste un sac mélangé. Dans un document séparé, “AI de Référence: en cours d’Exécution Profonde des Réseaux de Neurones sur les Smartphones Android”, publié cette semaine par Ignatov et Timofte, et co-auteur avec des représentants de Google, puce mobile géant Qualcomm, concurrent de MediaTek, les auteurs ont pris un coup d’oeil à la façon dont les différentes puces dans l’expédition de téléphones Android à effectuer lorsque vous faites une base de traitement de l’image des opérations, telles que la reconnaissance du visage, de classification d’images, et l’image de l’effet de flou.
Les auteurs ont testé neuf tâches au sein de 10 000 téléphones mobiles fonctionnant dans la nature, avec plus de 50 modèles différents de processeur contenant de nombreux neurones net des accélérateurs et des unités de traitement graphique ou Gpu.
Ce qu’ils ont trouvé était un vrai méli-mélo. La façon la plus simple de programmer les réseaux, ils ont notes, est à l’aide de Google “TensorFlow Mobile”, mais que le cadre n’a pas le soutien d’une nouvelle bibliothèque, connu comme “Android NNAPI,” pour “Android Neural Net – API travaille.” NNAPI a été construit pour abstraire les détails du matériel de différents processeurs de Qualcomm, MediaTek, Huawei et Samsung.
Ainsi, une nouvelle bibliothèque, TensorFlow “Lite” a été mis en avant par Google, afin de remplacer la version mobile, et il prend en charge NNAPI, mais en Lite a ses propres limites: il est dans un “aperçu”, libération, du temps de l’état, et donc il n’a pas “plein soutien” pour un certain nombre de réseau de neurones opérations, y compris en “batch et de l’instance de normalisation.”
Aussi: Qualcomm stimule smartphone de milieu de gamme IA avec Snapdragon 670 plate-forme mobile
Les auteurs ont également constaté Lite peut aussi consommer beaucoup plus DRAM que la version Mobile. Comme pour NNAPI, il ne prend pas en charge tous les types de réseaux de neurones. CNNs, par exemple, tout le monde sera déployé sur l’IA des accélérateurs dans les appareils ou les Gpu, mais d’autres types de réseaux, le recours à l’exécution sur le PROCESSEUR.
En somme, les auteurs ont constaté que l’accélération matérielle pour les réseaux de neurones “est désormais en évolution extrêmement rapide”, mais “le manque actuel d’exigences normalisées et les spécifications publiquement disponibles ne permettent pas toujours de faire une évaluation objective de leurs réels avantages et les limites.”
Dans le cas où vous êtes intéressé par le matériel des résultats, les auteurs ont constaté que la “Kirin 970” cadencé dans les téléphones Huawei, et développé par la filiale de Huawei HISilicon, en tête des charts dans l’ensemble de la performance à travers les neuf tâches. Elle a été suivie par Mediatek “Helio P60,” et Samsung “Exynos 9810.”
Mais les auteurs précisent qu’ils ne pourront pas prendre part autant que dont la puce est mieux, étant donné “que notre analyse a démontré que presque tous les fabricants de SoC ont le potentiel d’atteindre des résultats similaires dans leurs nouveaux chipsets.” Plutôt, ils s’engagent à fournir des résultats de tests d’évaluation que de nouveaux chipsets, et de nouveaux cadres et les pilotes, émergent.
Précédente et de la couverture liée:
Qu’est-ce que l’IA? Tout ce que vous devez savoir
Un exécutif guide de l’intelligence artificielle, de l’apprentissage machine et général de l’IA pour les réseaux de neurones.
Qu’est-ce que l’apprentissage en profondeur? Tout ce que vous devez savoir
La vérité sur l’apprentissage en profondeur: de comment il s’inscrit dans le champ plus large de l’apprentissage de la machine grâce à la façon d’obtenir commencé.
Qu’est-ce que l’apprentissage de la machine? Tout ce que vous devez savoir
Ce guide explique ce qu’est l’apprentissage de la machine est, comment elle est liée à l’intelligence artificielle, comment il fonctionne et pourquoi c’est important.
Qu’est-ce que le cloud computing? Tout ce que vous devez savoir à propos de
Une introduction à l’informatique en nuage à droite de la base jusqu’à l’IaaS et PaaS, hybride, public et cloud privé.
Articles connexes:
Il n’est pas un rôle pour les IA ou les données de la science: c’est un effort d’équipe de Démarrage Famille apporte le ruban de l’espoir pour les IA en robotique, en AI: Le point de vue de l’administrateur en Chef de la Science des Données Office Salesforce intros Einstein Voix, une IA assistant vocal pour les entreprises Ce ne sont pas les emplois de l’IA est en train de détruire qui me dérange, c’est ceux qui sont en croissance Comment Facebook échelles AI
Rubriques Connexes:
Les Smartphones
Transformation Numérique
CXO
L’Internet des objets
L’Innovation
Des Logiciels D’Entreprise
0