"وادي السيليكون" في الكلاب الساخنة أظهرت برنامج التعرف ليس هوت دوج، يمكن تحميلها من Android و iOS

الأنفس جي تقرير جديد

المصدر: متوسط

الكاتب: تيم Anglade

المحرر: ون فاي

[استعراض فاز جي الجديدة بعد طابع الرسوم المتحركة AI، كتابة النصوص، وتحرير الأفلام، اليوم، وهو برنامج AI رسميا ترشيحات لجوائز إيمي: سلسلة ضرب TV "وادي السيليكون" في التعلم العميق لاستخدام البرنامج تلقائيا التعرف على الكلاب الساخنة مرة أخرى إلى الرأي العام، استخدام TensorFlow والتنمية NVIDIA GPU.

أنا لا أعلم أنك لم أر ضرب الولايات المتحدة الدراما "وادي السيليكون". في السنوات الأخيرة، باعتبارها واحدة من أفضل كوميديا مكان العمل، "وادي السيليكون" يظهر لنا الجانب المظلم من مبرمج. "وادي السيليكون" في موضوع سخرية يصور تاريخ رائدة IT المرارة والصناعة، وليس ذلك فحسب، الذكاء الاصطناعي، تعلم الآلة، والعملة التشفير ...... موضوع الدراما وقد مواكبة اتجاه الحقيقية الدوائر وادي السليكون.

من بينها، في الحلقة الربع الرابع بدا IV لاستخدام خوارزميات التعلم عميقة لتحديد الكلاب الساخنة APP ليس هوت دوج، والآن هذا APP يمكن تحميلها من Android و iOS.

برنامج AI رسميا ترشيحات لجوائز إيمي!

اليوم، وهذا إنتاج تيم Anglade APP ل(نعم، هذا APP يجعل منه رجلا، وبطبيعة الحال، والحصول على الكثير من المساعدة الناس) أعلن على تويتر، برنامج AI فاز رسميا ترشيحات لجوائز إيمي!

في الواقع، بعد بثت الحلقة، وهذا APP انطلقت موضوع في ازدهار وادي السليكون، لأنه كان على وجه التحديد وصلت الحرارة التعرف على الصور الفترة ذروته.

قرر "وادي السيليكون" طاقم لتقديم برنامج التعرف على الكلب الساخنة التي يمكن تشغيلها على الهواتف النقالة في الحلقة. ولتحقيق هذا الهدف، تيم Anglade أنها صممت بنية العصبية المخصصة التي تدير مباشرة على الهاتف، واستخدام Tensorflow، Keras ونفيديا GPU للتدريب.

على الرغم من أن تستخدم فقط لتحديد الكلاب الساخنة (الهوت دوغ أو لا)، ولكن هذا APP مما لا شك فيه دراسة حالة استخدام عمق حميمة وحافة الحوسبة . ويتم كل عمل من قبل المستخدم للجهاز AI قوة 100، دون أن تترك الهاتف عند معالجة الصور. وهذا يوفر تجربة أسرع (بدون سحابة ذهابا وإيابا) للمستخدم، حاليا توفر والخصوصية أفضل.

كما تعلمون، أن الوقت لم يتم TensorFlow لايت، و 100 في نهاية الهاتف لتحقيق الاعتراف الكائن لا يزال مفاهيم متقدمة نسبيا.

كما أنه يجعل APP كامل للعمل بتكلفة $ 0، حتى في 100 مليون تحميل المستخدمين، بالمقارنة مع الطرق التقليدية AI سحابة المستندة، يمكنك توفير الكثير من التكاليف.

هذا هو APP تلقاء نفسها المطورة داخليا من قبل مطور مع جهاز كمبيوتر محمول وGPU إضافية للتشغيل، وذلك باستخدام البيانات التي تم جمعها باليد.

على بيئة التطوير هي في غاية البساطة!

كما دراما ولدت من المشتقات، وحفنة من الملفات الساخنة حقا، لا يزال وكان مؤتمر أبل للمطورين الدعاية.

يصف الكاتب تيم Anglade على APP متوسط هذا التصميم، وتطوير فائقة مفصل، عملية من النموذج إلى المنتج، يمكنك قراءة النص الأصلي لمعرفة المزيد.

أدناه، سوف مقتطفات التفاصيل الفنية لهذا APP استخدام ما الهندسة المعمارية، وكيفية تدريب، ما هي نقطة.

وبالنسبة للشركات محدودة غير التكنولوجيا والمطورين الفردية، والهواة مثل الوقت والموارد للناس، لبناء قدراتها التعلم العميق الخاصة APP، فليس من أفضل المواد للاستخدام.

العمارة Deepdogs: قبل جوجل MobileNet دفع الصحف

ويتأثر الهندسة المعمارية النهائية بشكل كبير من قبل جوجل صدر في 17 أبريل 2017 ورقة MobileNet لتعزيز هذا جديدة أبنية الشبكة العصبية لديها دقة التأسيس مماثلة، ولكن فقط حول معلمات 4M.

جزء من التعليمات البرمجية لقطات

قبل الفريق يعتبر SqueezeNet، ولكن SqueezeNet الهدف الذي تريد تنفيذ وبسيطة جدا، التأسيس أو VGG لا يمكن تشغيلها على الهاتف. MobileNet أكثر ملاءمة للشوط نهاية المحمول، وهذا هو الاعتبار الأول لها في ذلك الوقت.

صدر APP أقل من شهر من وقت فريق يحاول استنساخ نتائج ورقة. ومع ذلك، بعد أن نشرت الصحيفة اليوم MobileNet، وقد وفرت طلاب جامعة اسطنبول التقنية رفيق يمكن مللي علنا تنفيذ التعليمات البرمجية Keras على جيثب. الانفتاح والمجتمع النشط من عمق مدهش للتعلم.

فريق الهندسة المعمارية النهائي يسمى Deepdogs مع MobileNets العمارة هي مختلفة جدا، على وجه الخصوص:

• دفعة لا موحدة باستخدام (BN) والنقطة عمق نقطة التفاف (depthwise وpointwise) وتفعيل لأن ورقة XCeption يبدو أن تشير إلى أن هذا سيؤدي إلى انخفاض دقة هذا النوع من الهندسة المعمارية. في نفس الوقت، وهذا له أيضا فائدة في خفض حجم الشبكة.

• ELU استخدامها بدلا ReLU . مثل تجربة SqueezeNet استخدمت وظيفة تفعيل يوفر ELU ممتازة سرعة التقارب ودقة من ReLU النهائي.

• لا تستخدم PELU . في حين أن هذا النهج هو جيد، ولكن ما دمنا محاولة استخدامه، وهذا يبدو الوقوع في دولة ثنائية وظيفة التنشيط، فإن الشبكة لا تزيد تدريجيا دقة، ولكن في عدد من 0 إلى 100 بين من الدفعة التالية بالتناوب. وليس من الواضح لماذا يحدث هذا.

• لا تستخدم سلو . نحن ببساطة مسحا، بين دائرة الرقابة الداخلية والروبوت الإصدارات سلو تؤدي إلى نتائج PELU مشابهة جدا. نشك سلو لا ينبغي أن تستخدم وظيفة تنشيط وحدها، ولكن كما لقب رقتهم يعني، بالمعنى الضيق (بمعناها الضيق) SNN جزء من الهندسة المعمارية.

• استخدام ELU الحفاظ BN . وهناك مؤشرات كثيرة على أن الجبهة الوطنية يجب أن لا يكون من الضروري، ولكن لكل التجريبية تعمل في غياب حالة BN وغير قادر تماما على تتقارب. قد يكون سبب هذا يرجع إلى بنية صغيرة.

• استخدام BN قبل تفعيل . ورغم أن بعض الخلاف حول هذه النقطة، ولكنها تفعل شبكة BN صغير بعد أن فشل التجارب تفعيل للتجمع.

• من أجل تحسين الشبكة، وذلك باستخدام حقق الدوري التعلم من الأسعار وبراد Kenstler من Keras.

في مجال التدريب، أدلى فريق تعزيز البيانات التفصيلية وتجهيز، من أجل حل بعض التشوهات الناجمة عن صورة فلاش (انظر أدناه) وغيرها من القضايا.

وتتألف مجموعة البيانات النهائية من 150K صورة، التي ليست سوى 3K الكلاب الساخنة - هوت دوج عدد قليل جدا من أكثر الحيل، ولكن الكلب كما الساخن لفترة طويلة بدلا من الكلب الساخن أكثر من اللازم. الأوزان الخلل التخلص Keras 1 من الوزن هو 49 :: 49 لإصلاح نسبة 1. في الصورة 147k المتبقية، ومعظمهم من المواد الغذائية وغير الغذائية فقط 3K صور تشانغ، وهذا هو شبكة مساعدة أكثر تلخيص، إذا تظهر الملابس الحمراء من الشخصيات في الصورة، لن تضلوا أن تعترف بأنها الكلاب الساخنة.

تشويه تموج في النسيج والتشويه التي تسببها فلاش

معدل التعلم التدريب النهائي ودقة هو:

حالات قاء APP الصلصة أو تفشل (ولكن لديك للضغط على الصلصة على مثل هذه الأسلحة كانت حقا بأي حال من الأحوال)

الجزء الأكثر غموضا: 100 تشغيل الجانب الهاتف وتحديد الكلاب الساخنة

ابتكر هيكل مدمج نسبيا في الجهاز العصبي، وتدريب على التعامل مع الوضع في بيئة متنقلة ويمكن الاطلاع، ومع ذلك، لا يزال يتعين القيام به للعمل بشكل صحيح على الهاتف.

حول كيفية الحصول على Deepdog تعمل على الهواتف المحمولة، قد يكون الجزء الأكثر غموضا من المشروع. لأنه يمكنك العثور على المعلومات على الأجهزة المحمولة التي تعمل بنظام الدراسة عمق التجارية من APP في وقت لا تزال شحيحة جدا. ونتيجة لذلك، أنها استشارة فريق Tensorflow، وقد خصوصا بيت واردين، أندرو القيثارة وتشاد Whipkey الوثائق والكرم.

• الحق الأوزان شبكة التقريب تساعد شبكة مضغوط إلى حوالي 25 من حجمها. أساسا، بدلا من استخدام أي من القيمة الاسمية للسهم المستمدة من التدريب، ولكن تحسين اختيار N القيم الأكثر شيوعا، يتم تعيين كافة المعلمات والشبكة لهذه القيم، وبالتالي الحد بشكل كبير من حجم شبكة الضغط. ومع ذلك، هذا ليس له تأثير على حجم مضغوط من APP أو استخدام الذاكرة. ومع ذلك، فإن الفريق لا تستخدم هذا التحسين، لأن شبكتهم هي كافية الصغيرة.

• عند ترجمة التنمية التجارية، لتحقيق الاستخدام الأمثل مكتبة، نظام التشغيل TensorFlow

• إزالة لا لزوم لها من عمليات المكتبة TensorFlow: TensorFlow في بعض النواحي مثل الجهاز الظاهري، الذي يزيل العمليات غير الضرورية، ويمكن ان يوفر الكثير من وزنه (والذاكرة).

• بدلا من استخدام فريق TensorFlow على دائرة الرقابة الداخلية، ولكن استخدام مكتبة أبل المدمج في عمق التعلم (BNNS، MPSCNN وفي وقت لاحق CoreML). وهي تصميم شبكة Keras، وذلك باستخدام التدريب TensorFlow، قيمة إعادة التصدير من ملكية أو استعمال أو ل Reimplemented MPSCNN BNNS شبكة (أو عن طريق CoreML استيراد)، وتحميلها في معايير جديدة لتحقيقها.

APP لتغيير سلوك طريق حقن الشبكة العصبية حيوي

إذا كنت تشعر بأن حيوي حقن جافا سكريبت في التطبيق الخاص بك هو بارد، ومحاولة حقن في تطبيق الشبكات العصبية ذلك!

المنتج الأخير هو استخدام التقنيات التي تستخدم خففت نسبيا CodePush وشروط أبل الخدمة، الإصدار الجديد عرضها على الوقت الحقيقي في الشبكة العصبية لدينا من المتجر. على الرغم من أن هذا هو أساسا للمساعدة في توفير بسرعة تحسينات دقيقة للمستخدم بعد الإفراج عنهم، ولكن يمكنك استخدام هذا الأسلوب لتوسيع كبير أو تغيير مجموعة ميزة الطلب، دون الحاجة إلى تمرير مخزن تطبيقات الاستعراض.

الدروس المستفادة والتحسينات

هناك الكثير من الامور ولكن دون جدوى، أو أننا لم يكن لديك الوقت للقيام، وهذه هي الأفكار نحتاج لدراسة مستقبل:

• محاذاة بشكل وثيق لدينا المعلمات تعزيز البيانات.

• إنهاء دقة القياس، والتي تحدد في نهاية المطاف تطبيق الأشياء المجردة، مثل برنامجنا هناك أي اثنين أو أكثر من فئة العتبة النهائية، والاعتراف هوت دوج أن (تركنا أخيرا القول تطبيق "هوت دوج" في حال اعترفت بعد التقريب الوزن، أي ما يعادل 0.90 بدلا من الافتراضي 0.5)

• إنشاء آلية ردود الفعل في التطبيق - إذا كانت النتيجة خاطئة، مما يسمح للمستخدمين للتنفيس عن عدم رضاهم، أو تحسين بنشاط الشبكة العصبية.

• مع أكبر قرار من تحديد صورة 224 س 224 بكسل - باستخدام القيمة MobileNets أساسا >  1.0

UX / DX والتحيز، والذكاء الاصطناعي الغامض وادي

وأخيرا، فقد أشار إلى تجربة المستخدم، وتجربة المطور وتطوير الذكاء الاصطناعي المدمج في تطبيقات واضحة التحيز وتأثير مهم. هذه الأمور الثلاثة لها تأثيرات محددة جدا في تجربتنا:

تجربة المستخدم (تجربة المستخدم) في كل مرحلة من مراحل تطوير التطبيقات الذكاء الاصطناعي أكثر أهمية من التطبيقات التقليدية. خوارزمية التعلم عمق حاليا ليست قادرة على جلب لك نتائج مثالية، ولكن في كثير من الحالات، فإن عمق التعلم المزيج الصحيح + تجربة المستخدم يؤدي تمييزه عن نتائج مثالية. عندما قام المطور المسار الصحيح لتصميم شبكاتها العصبية، تحديد التوقعات الصحيحة عند استخدام تطبيق، وتتعامل بشكل سلس مع الفشل الحتمي لمنظمة العفو الدولية، وUX التوقع الصحيح هو الذي لا غنى عنه. تطبيقات بناء AI بدون تجربة المستخدم وضع أول من التفكير ليست هي القضية عن التدريب أصل التدرج العشوائية للشبكة العصبية: استخدام AI في عملية بناء خير مثال، وسقوط النهائي في الحد الأدنى المحلية أونكني الوادي.

DX (المطور الخبرة) هو أيضا مهم جدا، لأن عمق التعلم والتدريب وقت ينتظر المحتوى الجديد للبرنامج لتجميع. نحن ننصح باستخدام DX (وبالتالي استخدام Keras)، لأنك يمكن أن أمثل دائما وقت التشغيل بعد عملية (يدوي GPU الموازاة، وتعزيز عملية متعددة البيانات، خط أنابيب TensorFlow، وحتى الكافيين 2 / إعادة تنفيذ pyTorch) .

حتى مع بطيئة نسبيا وثائق API (مثل TensorFlow) المشروع، يمكن أن تذهب من خلال اختبار للغاية من خلال توفير التدريب وتشغيل الشبكات العصبية، وذلك باستخدام ارتفاع والبيئة الواقعات إلى تحسين كبير في DX.

لنفس السبب، فإنه من الصعب في الوقت نفسه أن يكون GPU المحلية الخاصة بهم للتنمية التكلفة والمرونة. تكون قادرة على عرض / تحرير الصور المحلية، واستخدام الأدوات المفضلة لديك لتعديل قانون دون تأخير، مما يحسن كثيرا من جودة وسرعة تطوير مشاريع الذكاء الاصطناعي.

معظم تطبيقات الذكاء الاصطناعي من طلبنا أكثر جدية التحيز الثقافي ، على سبيل المثال، البيانات الأولية لدينا في مركزية أثار المدمج في التحيز، الأمر الذي يجعل التطبيق لا تعترف الفرنسية هوت دوج، هوت دوج آسيا وأشياء لم نرها من قبل.

من المهم أن نتذكر أن منظمة العفو الدولية لا يجعل "أفضل" قرارات من البشر - أنهم مصابون التحيزات الإنسان لدينا مجموعة التدريب المقدم البشرية.

الرابط الأصلي: الشبكي: //medium.com/@timanglade/how-hbos-silicon-valley-built-not-hotdog-with-mobile-tensorflow-keras-react-native-ef03260747f3

[] تاريخ المجتمع

جي وون AI التكنولوجيا + قطاع التوظيف المجتمع الجديد، رحب هبطت طلاب + AI صناعة تكنولوجيا الفائدة، بالإضافة إلى ليتل مساعد مايكرو إشارة: aiera2015_3 في المجموعة، وإذا سيدعى في المجموعة المعتمدة، تأكد من تعديل التصريحات بعد الانضمام إلى جماعة المجتمع (الاسم - الشركة - فرص العمل، مجموعة المهنية للمراجعة أكثر صرامة، يرجى فهم).