Retia neuralis convolutionis (CNs), a processibus biologicis in cortex visuali humano inspirati, aptiores sunt ad munera sicut objectum et faciei agnitionem, sed melioratio accuratio taedium et exquisitum requirit. Quam ob rem phisici apud Google AI Research nova exemplaria explorant, quae in via "magis structi" in scandunt. Eventus operis sui in ediderunt "EfficientNet: Recogitans Exemplar Scaling pro Networks Convolutionalis Neural" missae in porta scientifica Arxiv.org, tum in in vestri blog. Co-auctores affirmant familiam systemata intelligentiae artificialis, EfficientNets appellatam, subtilitatem normae joss excedere et efficientiam retis neuralis augere usque ad 10 tempora.
"Communis praxis escendendi exemplorum est ad libitum altitudinem vel latitudinem rhoncus augere, et altiori resolutione input imaginis ad formandum et aestimationem utere" scribe virgam programmalem machinam Mingxing Tan et Google AI ducere physicum Quoc V .Le). "Dissimiles accedunt traditionales qui parametros retis arbitratu scandunt ut latitudo, profunditas et resolutio initus, modus noster uniformiter unamquamque dimensionem cum determinato factorum statuto scandit."
Ad ulteriorem observantiam perficiendam, investigatores advocati utentes nova retiacula narum, inversa convolutione bottleneck (MBConv), quae est basis exemplorum familiae effectivarum.
In probationibus, EffectiNets ostendit tam accurationem altiorem et efficaciam melioris quam esse CNs, minuens parametri magnitudinem et subsidiorum computationum requisita per ordinem magnitudinis. Unum e exemplaribus, EfficientNet-B7, demonstravit 8,4 temporibus minoribus et 6,1 temporibus meliores effectus quam clarus rhoncus Gpipe, atque etiam 84,4% et 97,1% accurationem (Top-1 et Top-5). 50 effectus) in probatione imagoNet posuit. Comparatus populari jos ResNet-4, exemplar aliud EfficientNet, EfficientNet-B82,6, similibus opibus utens, accurationem 76,3% versus 50% pro ResNet-XNUMX consecutus est.
Exempla efficientiae bene praestiterunt in aliis datasetis, accurate assequentes in quinque octo scamnis, incluso CIFAR-100 dataset (91,7% accurationis) et (98,8%).
"Per praestantes emendationes in efficientia exemplorum neuralis providendo, exspectamus efficientia habere potentiam ad inserviendum novo compage pro futuris computatoriis visionis officiis", Tan et Li scribunt.
Fons codice et disciplina scripta de nube Tensor Processing Unitates Google (TPUs) gratis praesto sunt .
Source: 3dnews.ru