Google चे नवीन न्यूरल नेटवर्क लोकप्रिय अॅनालॉग्सपेक्षा लक्षणीयरीत्या अधिक अचूक आणि वेगवान आहे

मानवी व्हिज्युअल कॉर्टेक्समधील जैविक प्रक्रियेद्वारे प्रेरित कॉन्व्होल्युशनल न्यूरल नेटवर्क (CNNs), ऑब्जेक्ट आणि चेहरा ओळखण्यासारख्या कार्यांसाठी योग्य आहेत, परंतु त्यांची अचूकता सुधारण्यासाठी कंटाळवाणा आणि बारीक-ट्यूनिंग आवश्यक आहे. म्हणूनच Google AI रिसर्चमधील शास्त्रज्ञ नवीन मॉडेल्सचा शोध घेत आहेत जे CNN चे प्रमाण "अधिक संरचित" पद्धतीने करतात. त्यांनी त्यांच्या कामाचे निकाल प्रकाशित केले लेख “EfficientNet: Convolutional Neural Networks साठी मॉडेल स्केलिंगचा पुनर्विचार,” Arxiv.org या वैज्ञानिक पोर्टलवर तसेच मध्ये पोस्ट केले आहे. प्रकाशने तुमच्या ब्लॉगवर. सह-लेखकांचा असा दावा आहे की कृत्रिम बुद्धिमत्ता प्रणालीचे कुटुंब, ज्याला EfficientNets म्हणतात, मानक CNN च्या अचूकतेपेक्षा जास्त आहे आणि न्यूरल नेटवर्कची कार्यक्षमता 10 पटीने वाढवते.

“मॉडेल स्केलिंगची सामान्य प्रथा म्हणजे CNN ची खोली किंवा रुंदी अनियंत्रितपणे वाढवणे आणि प्रशिक्षण आणि मूल्यमापनासाठी इनपुट इमेजचे उच्च रिझोल्यूशन वापरणे,” कर्मचारी सॉफ्टवेअर अभियंता मिंगक्सिंग टॅन आणि Google AI प्रमुख शास्त्रज्ञ Quoc V .Le) लिहा. "रुंदी, खोली आणि इनपुट रिझोल्यूशन यांसारख्या नेटवर्क पॅरामीटर्सची अनियंत्रितपणे मोजमाप करणार्‍या पारंपारिक पध्दतींच्या विपरीत, आमची पद्धत स्केलिंग घटकांच्या निश्चित संचासह प्रत्येक परिमाण समान रीतीने मोजते."

कार्यप्रदर्शन आणखी सुधारण्यासाठी, संशोधक नवीन बॅकबोन नेटवर्क, मोबाइल इनव्हर्टेड बॉटलनेक कॉन्व्होल्यूशन (MBConv) वापरण्याचा सल्ला देतात, जे मॉडेलच्या EfficientNets कुटुंबासाठी आधार म्हणून काम करते.

चाचण्यांमध्ये, EfficientNets ने विद्यमान CNN पेक्षा उच्च अचूकता आणि चांगली कार्यक्षमता दोन्ही दर्शविली आहे, परिमाण आकार कमी करून आणि गणनात्मक संसाधन आवश्यकता परिमाण क्रमाने. EfficientNet-B7 या मॉडेलपैकी एक, प्रसिद्ध CNN Gpipe पेक्षा 8,4 पट लहान आकाराचे आणि 6,1 पटीने चांगले कार्यप्रदर्शन दाखवले, आणि चाचणीत 84,4% आणि 97,1% अचूकता (टॉप-1 आणि टॉप-5. 50 निकाल) देखील मिळवली. इमेजनेट सेट. लोकप्रिय CNN ResNet-4 च्या तुलनेत, आणखी एक EfficientNet मॉडेल, EfficientNet-B82,6, समान संसाधने वापरून, ResNet-76,3 साठी 50% विरुद्ध XNUMX% अचूकता प्राप्त केली.

CIFAR-100 डेटासेटसह (91,7% अचूकता) आणि आठ पैकी पाच बेंचमार्कवर उच्च अचूकता प्राप्त करून, EfficientNets मॉडेलने इतर डेटासेटवर चांगली कामगिरी केली. फुले (98,8%).

"न्यूरल मॉडेल्सच्या कार्यक्षमतेत लक्षणीय सुधारणा करून, आम्ही अपेक्षा करतो की EfficientNets मध्ये भविष्यातील कॉम्प्युटर व्हिजन टास्कसाठी नवीन फ्रेमवर्क म्हणून काम करण्याची क्षमता आहे," टॅन आणि ली लिहितात.

Google च्या क्लाउड टेन्सर प्रोसेसिंग युनिट्स (TPUs) साठी स्त्रोत कोड आणि प्रशिक्षण स्क्रिप्ट विनामूल्य उपलब्ध आहेत जिथूब.

स्त्रोत: 3dnews.ru