Strojové učenie pre mobilné zariadenia

Hlboké neurónové siete sú dnes populárnym nástrojom pre mnohé úlohy počítačového videnia. Súčasné hardvérové možnosti umožňujú vytvárať veľmi hlboké modely s desiatkami až stovkami vrstiev a miliardami prepojení. Takéto modely dokážu priniesť výsledky so skutočne vysokou presnosťou, a to stále v reálnom čase. Nie je to však úplne zadarmo, je na to často potrebný skutočne vysoký výpočtový výkon, a vo veľkom sa tu využívajú techniky ako paralelizovanie výpočtov na grafických kartách.

zdroj: Laura Tara, Pixabay

Odkázaný na počítač

Pre väčšinu dnešných počítačov toto nie je žiaden problém. Ale čo v prípade mobilných zariadení s obmedzeným výkonom ako sú roboty, drony či platformy Raspberry Pi alebo Arduino? Tu už to také jednoduché nebude, pretože tieto zariadenia príliš hlboké modely jednoducho „nespočítajú“. Preto bola snaha vytvoriť menšie modely, ktoré budú vedieť fungovať aj na týchto menej výkonných zariadeniach, avšak stále s dostačujúcimi výsledkami pre reálne použitie. A jednou z takýchto architektúr je ShuffleNet.

ShuffleNet

Architektúra ShuffleNet obsahuje 50 vrstiev, čo je stále pomerne veľa. Pre porovnanie, podobná architektúra MobileNet, ktorá bola tiež navrhnutá pre mobilné zariadenia, má vstriev len 28. Efektivita ShuffleNet však nespočíva v počte vrstiev, ale v jej štruktúre. Pre zníženie potrebnej výpočtovej sily použili kombináciu skupinovej a bodovej konvolúcie, a následne reorganizáciu kanálov v rámci vrstvy.

zdroj: Fritz_the_cat, Pixabay

Zhodnotenie

Tvorcovia natrénovali model s použitím frameworku Caffe na datasete MS COCO. Následne ho vyhodnotili na datasete ImageNet a výsledky porovnali so známymi architektúrami ako AlexNet, GoogleNet či VGG-16. Výsledky boli za istých podmienok porovnateľné s týmito výrazne komplexnejšími architektúrami, pričom ShuffleNet ich predčila podstatne nižšou zložitosťou modelu, napríklad oproti architektúre AlexNet dosiahla až 18-násobné zrýchlenie. Pokiaľ teda budete potrebovať „veľa muziky za málo peňazí“, ShuffleNet rozhodne stojí za vyskúšanie.

Zdroj:

http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_ShuffleNet_An_Extremely_CVPR_2018_paper.pdf

Pridaj komentár

Vaša e-mailová adresa nebude zverejnená.