மனிதக் காட்சிப் புறணியில் உள்ள உயிரியல் செயல்முறைகளால் ஈர்க்கப்பட்ட கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNs), பொருள் மற்றும் முகத்தை அறிதல் போன்ற பணிகளுக்கு மிகவும் பொருத்தமானவை, ஆனால் அவற்றின் துல்லியத்தை மேம்படுத்துவதற்கு கடினமான மற்றும் நன்றாகச் சரிசெய்தல் தேவைப்படுகிறது. அதனால்தான் கூகுள் ஏஐ ரிசர்ச்சின் விஞ்ஞானிகள் சிஎன்என்களை "அதிக கட்டமைக்கப்பட்ட" வழியில் அளவிடும் புதிய மாடல்களை ஆராய்ந்து வருகின்றனர். அவர்கள் தங்கள் பணியின் முடிவுகளை வெளியிட்டனர்
"சிஎன்என் ஆழம் அல்லது அகலத்தை தன்னிச்சையாக அதிகரிப்பது மற்றும் பயிற்சி மற்றும் மதிப்பீட்டிற்கு உள்ளீடு படத்தின் உயர் தெளிவுத்திறனைப் பயன்படுத்துவது மாதிரிகள் அளவிடுதல் பொதுவான நடைமுறையாகும்" என்று பணியாளர் மென்பொருள் பொறியாளர் Mingxing Tan மற்றும் Google AI முன்னணி விஞ்ஞானி Quoc V .Le) எழுதுகின்றனர். "அகலம், ஆழம் மற்றும் உள்ளீட்டுத் தீர்மானம் போன்ற நெட்வொர்க் அளவுருக்களை தன்னிச்சையாக அளவிடும் பாரம்பரிய அணுகுமுறைகளைப் போலன்றி, எங்கள் முறையானது ஒவ்வொரு பரிமாணத்தையும் ஒரு நிலையான அளவிடுதல் காரணிகளுடன் ஒரே மாதிரியாக அளவிடுகிறது."
செயல்திறனை மேலும் மேம்படுத்த, ஆராய்ச்சியாளர்கள் புதிய முதுகெலும்பு நெட்வொர்க்கைப் பயன்படுத்த பரிந்துரைக்கின்றனர், மொபைல் தலைகீழ் பாட்டில் நெக் கன்வல்யூஷன் (MBConv), இது EfficientNets குடும்ப மாதிரிகளுக்கு அடிப்படையாக செயல்படுகிறது.
சோதனைகளில், எஃபிசியன்ட்நெட்ஸ் தற்போதுள்ள சிஎன்என்களை விட அதிக துல்லியம் மற்றும் சிறந்த செயல்திறன் இரண்டையும் நிரூபித்துள்ளது, அளவுரு அளவு மற்றும் கணக்கீட்டு வள தேவைகளை அளவின் வரிசையால் குறைக்கிறது. மாடல்களில் ஒன்றான EfficientNet-B7, பிரபலமான CNN Gpipe ஐ விட 8,4 மடங்கு சிறிய அளவு மற்றும் 6,1 மடங்கு சிறந்த செயல்திறனை வெளிப்படுத்தியது, மேலும் சோதனையில் 84,4% மற்றும் 97,1% துல்லியத்தை (டாப்-1 மற்றும் டாப்-5) அடைந்தது இமேஜ்நெட் தொகுப்பு. பிரபலமான CNN ResNet-50 உடன் ஒப்பிடும்போது, மற்றொரு EfficientNet மாதிரியான EfficientNet-B4, இதே போன்ற ஆதாரங்களைப் பயன்படுத்தி, ResNet-82,6 க்கு 76,3% க்கு எதிராக 50% துல்லியத்தை அடைந்தது.
EfficientNets மாதிரிகள் மற்ற தரவுத்தொகுப்புகளில் சிறப்பாகச் செயல்பட்டன, CIFAR-100 தரவுத்தொகுப்பு (91,7% துல்லியம்) மற்றும் எட்டு அளவுகோல்களில் ஐந்தில் அதிக துல்லியத்தை அடைகின்றன.
"நரம்பியல் மாதிரிகளின் செயல்திறனில் குறிப்பிடத்தக்க முன்னேற்றங்களை வழங்குவதன் மூலம், எதிர்கால கணினி பார்வை பணிகளுக்கான புதிய கட்டமைப்பாக எஃபிசியன்ட்நெட்ஸ் செயல்படும் என்று நாங்கள் எதிர்பார்க்கிறோம்" என்று டான் மற்றும் லி எழுதுகிறார்கள்.
கூகுளின் கிளவுட் டென்சர் ப்ராசசிங் யூனிட்களுக்கான (டிபியுக்கள்) மூலக் குறியீடு மற்றும் பயிற்சி ஸ்கிரிப்டுகள் இலவசமாகக் கிடைக்கும்
ஆதாரம்: 3dnews.ru