הרשת העצבית החדשה של גוגל מדויקת ומהירה יותר משמעותית מהאנלוגים הפופולריים

רשתות עצביות קונבולוציוניות (CNNs), בהשראת תהליכים ביולוגיים בקליפת הראייה האנושית, מתאימות היטב למשימות כמו זיהוי עצמים ופנים, אך שיפור הדיוק שלהן דורש כוונון מייגע וכיוונון עדין. זו הסיבה שמדענים ב-Google AI Research בוחנים מודלים חדשים שמרחיבים את רשתות ה-CNN בצורה "מובנית יותר". הם פרסמו את תוצאות עבודתם ב статье "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", פורסם בפורטל המדעי Arxiv.org, כמו גם ב- פרסום בבלוג שלך. המחברים השותפים טוענים שמשפחת מערכות הבינה המלאכותית, הנקראות EfficientNets, עולה על הדיוק של רשתות CNN סטנדרטיות ומגדילה את היעילות של רשת עצבית עד פי 10.

"הנוהג המקובל של שינוי קנה מידה של מודלים הוא להגדיל באופן שרירותי את העומק או הרוחב של ה-CNN, ולהשתמש ברזולוציה גבוהה יותר של תמונת הקלט לצורך הדרכה והערכה", כותבים מהנדס התוכנה Mingxing Tan והמדען הראשי של גוגל AI Quoc V .Le). "בניגוד לגישות מסורתיות המדרגות באופן שרירותי פרמטרים של רשת כמו רוחב, עומק ורזולוציית קלט, השיטה שלנו מקנה קנה מידה אחיד של כל מימד עם קבוצה קבועה של גורמי קנה מידה."

כדי לשפר עוד יותר את הביצועים, החוקרים דוגלים בשימוש ברשת עמוד שדרה חדשה, קונבולוציית צוואר בקבוק הפוך לנייד (MBConv), המשמשת כבסיס למשפחת הדגמים של EfficientNets.

בבדיקות, EfficientNets הוכיחה גם דיוק גבוה יותר וגם יעילות טובה יותר מ-CNN קיימים, והפחיתה את גודל הפרמטרים ודרישות המשאב החישובי בסדר גודל. אחד הדגמים, EfficientNet-B7, הפגין גודל קטן פי 8,4 וביצועים טובים פי 6,1 מה-CNN Gpipe המפורסם, וגם השיג דיוק של 84,4% ו-97,1% (Top-1 ו-Top-5). 50 תוצאות) בבדיקות על סט ImageNet. בהשוואה ל-CNN ResNet-4 הפופולרי, דגם אחר של EfficientNet, EfficientNet-B82,6, המשתמש במשאבים דומים, השיג דיוק של 76,3% לעומת 50% עבור ResNet-XNUMX.

מודלים של EfficientNets הציגו ביצועים טובים במערך נתונים אחרים, והשיגו דיוק גבוה בחמישה מתוך שמונה אמות מידה, כולל מערך הנתונים CIFAR-100 (91,7% דיוק) ו פרחים (98,8%).

"על ידי מתן שיפורים משמעותיים ביעילות של מודלים עצביים, אנו מצפים של-EfficientNets יש את הפוטנציאל לשמש מסגרת חדשה למשימות ראייה ממוחשבת עתידיות", כותבים טאן ולי.

קוד מקור ותסריטי אימון עבור יחידות עיבוד טנסור בענן (TPUs) של Google זמינים בחינם ב- GitHub.

מקור: 3dnews.ru