A nova rete neurale di Google hè assai più precisa è più veloce di i contraparti populari

E rete neurali cunvoluzionali (CNN), ispirate da i prucessi biologichi in a corteccia visuale umana, sò bè ​​​​adattati per i travaglii cum'è u ricunniscenza di l'ughjettu è di a faccia, ma a migliurà a so precisione richiede una sintonizazione tediosa è fine. Hè per quessa chì i scientifichi di Google AI Research esploranu novi mudelli chì scalanu CNN in una manera "più strutturata". Anu publicatu i risultati di u so travagliu in articulu "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", publicatu nantu à u portale scientificu Arxiv.org, è ancu in publicazioni nant'à u vostru bloggu. I co-autori sustene chì a famiglia di sistemi di intelligenza artificiale, chjamata EfficientNets, supera l'accuratezza di i CNN standard è aumenta l'efficienza di una rete neurale finu à 10 volte.

"A pratica cumuna di mudelli di scala hè di aumentà arbitrariamente a prufundità o a larghezza di a CNN, è utilizate una risuluzione più alta di l'imaghjini di input per a furmazione è a valutazione", scrive l'ingegnere di u software di u staffu Mingxing Tan è u scienziatu principale di Google AI Quoc V .Le). "A cuntrariu di l'approcci tradiziunali chì scalanu arbitrariamente i paràmetri di a rete cum'è a larghezza, a prufundità è a risoluzione di input, u nostru metudu scala uniformemente ogni dimensione cù un settore fissu di fattori di scala".

Per migliurà ancu u rendiment, i circadori favurizanu l'usu di una nova rete di backbone, cunvoluzione mobile inverted bottleneck convolution (MBConv), chì serve cum'è a basa per a famiglia di mudelli EfficientNets.

In i testi, EfficientNets hà dimustratu una precisione più alta è una efficienza megliu cà i CNN esistenti, riducendu a dimensione di i paràmetri è i requisiti di risorse computazionali per un ordine di grandezza. Unu di i mudelli, EfficientNet-B7, hà dimustratu 8,4 volte più chjuche è prestazioni 6,1 volte megliu cà u famosu CNN Gpipe, è hà ancu ottenutu 84,4% è 97,1% di precisione (Top-1 è Top-5). u set ImageNet. Comparatu à u popular CNN ResNet-50, un altru mudellu EfficientNet, EfficientNet-B4, utilizendu risorse simili, hà ottenutu una precisione di 82,6% versus 76,3% per ResNet-50.

I mudelli EfficientNets anu realizatu bè nantu à altri datasets, ottenendu una alta precisione in cinque di ottu benchmarks, cumpresu u dataset CIFAR-100 (91,7% di precisione) è Anniversary (98,8%).

"Fornendu miglioramenti significativi in ​​l'efficienza di i mudelli neurali, aspittemu chì EfficientNets hà u putenziale di serve cum'è un novu quadru per i futuri compiti di visione di l'informatica", scrive Tan è Li.

U codice fonte è i script di furmazione per l'Unità di Processamentu di Tensor (TPU) in nuvola di Google sò liberamente dispunibili Github.

Source: 3dnews.ru