گوگل کا نیا نیورل نیٹ ورک مقبول ینالاگوں سے نمایاں طور پر زیادہ درست اور تیز ہے۔

Convolutional Neural Networks (CNNs)، جو انسانی بصری پرانتستا میں حیاتیاتی عمل سے متاثر ہوتے ہیں، شے اور چہرے کی شناخت جیسے کاموں کے لیے موزوں ہیں، لیکن ان کی درستگی کو بہتر بنانے کے لیے تھکا دینے والی اور ٹھیک ٹیوننگ کی ضرورت ہوتی ہے۔ یہی وجہ ہے کہ گوگل اے آئی ریسرچ کے سائنس دان نئے ماڈلز کی تلاش کر رہے ہیں جو سی این این کو "زیادہ منظم" طریقے سے پیمانہ کرتے ہیں۔ انہوں نے اپنے کام کے نتائج کو شائع کیا۔ آرٹیکل "EfficientNet: Convolutional Neural Networks کے لیے ماڈل اسکیلنگ پر نظر ثانی،" سائنسی پورٹل Arxiv.org پر پوسٹ کیا گیا، اور ساتھ ہی اشاعت آپ کے بلاگ پر شریک مصنفین کا دعویٰ ہے کہ مصنوعی ذہانت کے نظام کا خاندان، جسے EfficientNets کہا جاتا ہے، معیاری CNNs کی درستگی سے زیادہ ہے اور اعصابی نیٹ ورک کی کارکردگی کو 10 گنا تک بڑھاتا ہے۔

اسٹاف سافٹ ویئر انجینئر Mingxing Tan اور Google AI کے سرکردہ سائنسدان Quoc V .Le لکھتے ہیں، "ماڈلز کی پیمائش کرنے کا عام رواج CNN کی گہرائی یا چوڑائی کو من مانی طور پر بڑھانا ہے، اور تربیت اور تشخیص کے لیے ان پٹ امیج کی اعلی ریزولوشن کا استعمال کرنا ہے۔" "روایتی طریقوں کے برعکس جو نیٹ ورک کے پیرامیٹرز جیسے چوڑائی، گہرائی، اور ان پٹ ریزولوشن کو من مانی طور پر پیمانہ کرتے ہیں، ہمارا طریقہ یکساں طور پر ہر طول و عرض کو اسکیلنگ عوامل کے ایک مقررہ سیٹ کے ساتھ پیمانہ کرتا ہے۔"

کارکردگی کو مزید بہتر بنانے کے لیے، محققین ایک نئے بیک بون نیٹ ورک، موبائل انورٹیڈ باٹلنک کنوولوشن (MBConv) کے استعمال کی وکالت کرتے ہیں، جو ماڈلز کے EfficientNets خاندان کی بنیاد کے طور پر کام کرتا ہے۔

ٹیسٹوں میں، EfficientNets نے موجودہ CNNs کے مقابلے میں اعلیٰ درستگی اور بہتر کارکردگی دونوں کا مظاہرہ کیا ہے، پیرامیٹر کے سائز اور کمپیوٹیشنل وسائل کی ضروریات کو طول و عرض کے حکم سے کم کیا ہے۔ EfficientNet-B7 ماڈلز میں سے ایک نے مشہور CNN Gpipe کے مقابلے میں 8,4 گنا چھوٹے سائز اور 6,1 گنا بہتر کارکردگی کا مظاہرہ کیا، اور ٹیسٹنگ میں 84,4% اور 97,1% درستگی بھی حاصل کی (Top-1 اور Top-5)۔ 50 نتیجہ)۔ امیج نیٹ سیٹ۔ مقبول CNN ResNet-4 کے مقابلے، ایک اور EfficientNet ماڈل، EfficientNet-B82,6، اسی طرح کے وسائل کا استعمال کرتے ہوئے، ResNet-76,3 کے لیے 50% کے مقابلے میں XNUMX% کی درستگی حاصل کی۔

EfficientNets ماڈلز نے دیگر ڈیٹا سیٹس پر اچھی کارکردگی کا مظاہرہ کرتے ہوئے آٹھ میں سے پانچ بینچ مارکس پر اعلیٰ درستگی حاصل کی، بشمول CIFAR-100 ڈیٹاسیٹ (91,7% درستگی) اور پھول (98,8٪).

ٹین اور لی لکھتے ہیں، "اعصابی ماڈلز کی کارکردگی میں نمایاں بہتری فراہم کرکے، ہم توقع کرتے ہیں کہ EfficientNets مستقبل کے کمپیوٹر وژن کے کاموں کے لیے ایک نئے فریم ورک کے طور پر کام کرنے کی صلاحیت رکھتا ہے۔"

گوگل کے کلاؤڈ ٹینسر پروسیسنگ یونٹس (TPUs) کے لیے سورس کوڈ اور ٹریننگ اسکرپٹس مفت میں دستیاب ہیں Github کے.

ماخذ: 3dnews.ru