Google ၏ အာရုံကြောကွန်ရက်အသစ်သည် လူကြိုက်များသော analogue များထက် သိသိသာသာ ပိုမိုတိကျပြီး ပိုမိုမြန်ဆန်သည်။

လူ၏အမြင်အာရုံကော်တင်ရှိ ဇီဝဖြစ်စဉ်များမှ လှုံ့ဆော်ပေးသည့် Convolutional neural networks (CNNs) သည် အရာဝတ္ထုနှင့် မျက်နှာကို မှတ်မိခြင်းကဲ့သို့သော လုပ်ငန်းများအတွက် ကောင်းစွာ သင့်လျော်သော်လည်း ၎င်းတို့၏ တိကျမှုကို မြှင့်တင်ရန် ပျင်းရိပြီး ကောင်းစွာ ချိန်ညှိရန် လိုအပ်ပါသည်။ ထို့ကြောင့် Google AI Research မှ သိပ္ပံပညာရှင်များသည် CNN များကို ပိုမိုဖွဲ့စည်းပုံနည်းလမ်းဖြင့် တိုင်းတာသည့် မော်ဒယ်အသစ်များကို ရှာဖွေနေကြသည်။ သူတို့အလုပ်ရဲ့ ရလဒ်တွေကို ထုတ်ပြန်တယ်။ ဆောင်းပါး "EfficientNet- Convolutional Neural Networks အတွက် ပြန်လည်တွေးခေါ်မှုပုံစံကို ချဲ့ထွင်ခြင်း"၊ သိပ္ပံနည်းကျပေါ်တယ် Arxiv.org တွင်တင်ထားသော၊ ပုံနှိပ်ထုတ်ဝေခြင်း သင့်ဘလော့ဂ်ပေါ်မှာ။ တွဲဖက်စာရေးဆရာများက EfficientNets ဟုခေါ်သော ဉာဏ်ရည်တုစနစ်မိသားစုသည် စံ CNN များ၏ တိကျမှုကို ကျော်လွန်ကာ အာရုံကြောကွန်ရက်၏ စွမ်းဆောင်ရည်ကို 10 ဆအထိ တိုးမြင့်လာသည်ဟု ဆိုကြသည်။

"စကေးပုံစံမော်ဒယ်များ၏ ဘုံအလေ့အကျင့်မှာ CNN ၏ အတိမ်အနက် သို့မဟုတ် အကျယ်ကို မထင်မရှား တိုးမြှင့်ရန်နှင့် လေ့ကျင့်ရေးနှင့် အကဲဖြတ်ရန်အတွက် ပိုမိုမြင့်မားသော ရုပ်ထွက်အရည်အသွေးကို အသုံးပြုခြင်းဖြစ်သည်" ဟု ဝန်ထမ်းဆော့ဖ်ဝဲအင်ဂျင်နီယာ Mingxing Tan နှင့် Google AI မှ ဦးဆောင်သိပ္ပံပညာရှင် Quoc V .Le) တို့က ရေးသားခဲ့ကြသည်။ "အကျယ်၊ အတိမ်အနက်နှင့် ထည့်သွင်းဖြေရှင်းမှုကဲ့သို့သော ကွန်ရက်ဘောင်ဘောင်များကို နိုင်ထက်စီးနင်းချဲ့ထွင်သည့် ရိုးရာချဉ်းကပ်နည်းများနှင့်မတူဘဲ၊ ကျွန်ုပ်တို့၏နည်းလမ်းသည် အတိုင်းအတာတစ်ခုစီကို ပုံသေစကေးသတ်မှတ်ထားသောအချက်များဖြင့် တူညီစွာတိုင်းတာသည်။"

စွမ်းဆောင်ရည်ပိုမိုတိုးတက်စေရန်၊ သုတေသီများသည် EfficientNets မိသားစုမော်ဒယ်များအတွက် အခြေခံအဖြစ်ဆောင်ရွက်သော မိုဘိုင်းပြောင်းပြန်ပြန်ပြန်ပိတ်ဆို့မှု (MBConv) ကို အသုံးပြု၍ ကျောရိုးကွန်ရက်အသစ်ကို အသုံးပြုကာ ထောက်ခံအားပေးကြသည်။

စမ်းသပ်မှုများတွင် EfficientNets သည် လက်ရှိ CNN များထက် ပိုမိုမြင့်မားသော တိကျမှုနှင့် ပိုမိုကောင်းမွန်သော ထိရောက်မှုကို သရုပ်ပြခဲ့ပြီး အတိုင်းအတာတစ်ခုအထိ အတိုင်းအတာတစ်ခုအထိ အရွယ်အစားနှင့် တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်လိုအပ်ချက်များကို လျှော့ချခဲ့သည်။ မော်ဒယ်များထဲမှ တစ်ခုဖြစ်သော EfficientNet-B7 သည် အရွယ်အစား 8,4 ဆ သေးငယ်ပြီး နာမည်ကြီး CNN Gpipe ထက် 6,1 ဆ စွမ်းဆောင်ရည် ပိုကောင်းကြောင်း သရုပ်ပြခဲ့ပြီး 84,4% နှင့် 97,1% တိကျမှု (Top-1 နှင့် Top-5) တို့ဖြစ်သည်။ 50) စမ်းသပ်မှုတွင် ရလဒ် ImageNet သတ်မှတ် လူကြိုက်များသော CNN ResNet-4 နှင့် နှိုင်းယှဉ်ပါက အခြားသော EfficientNet မော်ဒယ် EfficientNet-B82,6 သည် အလားတူအရင်းအမြစ်များကို အသုံးပြုကာ ResNet-76,3 အတွက် 50% နှင့် XNUMX% တိကျမှုကို ရရှိခဲ့ပါသည်။

EfficientNets မော်ဒယ်များသည် CIFAR-100 ဒေတာအတွဲ (91,7% တိကျမှု) အပါအဝင် စံသတ်မှတ်ချက် ရှစ်ခုအနက် ငါးခုတွင် မြင့်မားသောတိကျမှုကို ရရှိပြီး အခြားဒေတာအတွဲများတွင် ကောင်းစွာလုပ်ဆောင်နိုင်ခဲ့သည်။ ပန်းပွင့် (98,8%) ။

"အာရုံကြောမော်ဒယ်များ၏ စွမ်းဆောင်ရည်တွင် သိသာထင်ရှားသော တိုးတက်မှုများကို ပံ့ပိုးပေးခြင်းဖြင့် EfficientNets သည် အနာဂတ် ကွန်ပျူတာအမြင်ဆိုင်ရာ လုပ်ငန်းဆောင်တာများအတွက် မူဘောင်အသစ်တစ်ခုအဖြစ် လုပ်ဆောင်နိုင်မည်ဟု ကျွန်ုပ်တို့ မျှော်လင့်ပါသည်" ဟု Tan နှင့် Li က ရေးသားခဲ့သည်။

Google ၏ cloud Tensor Processing Units (TPUs) အတွက် အရင်းအမြစ်ကုဒ်နှင့် လေ့ကျင့်ရေး script များကို လွတ်လပ်စွာ ရနိုင်သည် Github.

source: 3dnews.ru