s

当前位置:首页 > 苹果资讯>>广州苹果特约维修_苹果11训练神经网络的开源项目火了

广州苹果特约维修_苹果11训练神经网络的开源项目火了发布时间:2020-05-30 10:59:53
作者:iphone维修   来源:广州苹果维修服务中心阅读数

该项目使用MNIST手写数字数据集来部署图像分类模型。无需在其他ML框架中进行培训。取而代之的是,基于CoreML在本地直接训练卷积神经网络(LeNetCNN)模型。项目作者还将其与其他设备模型进行了比较。在相同模型架构和训练参数的情况下,同时在iPhone11上运行CoreML和在i7MacBookPro上同时运行TensorFlow2.0,两种方法的准确性均超过0.98,前者的训练时间约为248秒,后者持续158秒。广州苹果特约维修点

虽然时间上还有差距。但是,该项目和实验被认为可以证明ios设备的计算性能得到了改善,并且还探索了对移动设备进行本地培训的可能性。当前,仍然很难完美地完成对移动设备的本地培训,但是仍然有许多方法可以在移动设备上部署AI应用程序。今天,让我们看一下移动AI的开发。

适用于iOS的CoreML和Andorid的NNAPI广州苹果特约维修点

该项目使用MNIST手写数字数据集来部署图像分类模型

要在移动终端上实现卷积神经网络,通常可以在GPU或TPU上训练模型,然后将其压缩并部署到移动终端。此前,有人基于开源计算机视觉库OpenCV和开源培训模型Caffe在Android方面实现了车牌识别。Caffe在GPU机器上训练,然后部署到商品集群或移动设备,在CPU和GPU之间切换。Caffe模型也已用于在Android上进行性别识别卷积神经训练。

当然,已经有一些基于内置于移动设备中的ML框架的项目,从而省去了预先在GPU和TPU上训练模型的步骤,并直接在移动终端上进行了部署。例如,内置的ios核心CoreML是一种模型转换工具,主要解决了部署在移动终端上的训练模型的问题。开头提到的MNIST-CoreML培训就是基于此。

Android系统-NNAPI中有一个类似的工具。NNAPI是AndroidCAPI,它提供了用于构建和训练ML框架(如TensorFlowLite和Caffe2)的基本功能层,类似于ios中的CoreML。NNAPI通过机器学习库,框架和工具来调用。这些工具可以帮助开发人员脱离设备培训模型并完成部署。应用程序通常不直接使用NNAPI,而是直接使用更高级的ML框架。

该图(使用TensorFlowLite部署深度学习模型的NNAPI高级系统架构)

Android设备基于NNAPI,并且需要通过某些ML框架来实现AI应用程序开发。TensorFlow被项目作者用来进行比较,最早于2017年从TensorFlowLite派生而来,可用于在Android上部署深度学习模型。

TensorFlowLite是开源的移动深度学习框架,由Google于2017年11月首次发布。TensorFlowLite可以在CPU,GPU上运行,或直接通过NNAPI运行,NNAPI是具有许多应用程序的移动ML框架。

早在2018年,一些人还使用MNIST数据库在Android设备上构建TensorFlowLite,以实现移动手写数字识别。除了手写数字识别,TensorFlowLite现在还支持用于图像和对象识别,智能回复和姿势评估模型的构建模型。以下是TensorFlowLite给出的使用流程。

选择并使用模型:

TensorFlowLite提供了一系列预训练的模型。开发人员选择模型后,他可以通过迁移学习进行再培训以执行其他任务。开发人员还可以设计和训练自己的TensorFlowLite模型。

转换模式:

TensorFlowLite支持某些TensorFlow运算符。TensorFlowLite必须先将TensorFlow模型转换为指定的特殊格式。

TensorFlowLite转换器以PythonAPI的形式提供。以下示例说明了将TensorFlowSavedModel转换为TensorFlowLite格式的过程的示例:

将tensorflow导入为tfconverter=tf.lite.TFLiteConverter.from_saved_model(saved_model_dir)tflite_model=converter.convert()打开(“converted_model.tflite”,“wb”)。写(tflite_model)

使用模型推理:

推论是通过模型运行数据以获得预测的过程。这个过程需要模型,解释器和输入数据。TensorFlowLite解释器是一个库,用于接收模型文件,在输入数据上执行由模型文件定义的运算符,并提供对输出的访问。

解释器适用于多种平台,并提供了用于运行Java,Swift,Objective-C,C++和Python中的TensorFlowLite模型的简单API。

以下代码显示了如何从Java调用解释器:

尝试(解释器解释器=新解释器(tensorflow_lite_model_file)){解释器运行(输入,输出);}广州苹果特约维修点

优化模型:

TensorFlowLite提供了优化模型大小和性能的工具,通常对准确性影响很小。优化模型可能需要稍微更复杂的训练,转换或集成。广州苹果特约维修点

创建Android应用程序的示例

如果您想使用TensorFlowLite来快速编写Android代码,则官方建议以Android图像分类代码示例为起点。以下是在Android上使用TensorFlowLite的方法。广州苹果特约维修点

可以使用JCenter中的TensorFlowLiteAAR在build.gradle依赖项中指定它:广州苹果特约维修点

依赖项{实现'org.tensorflow:tensorflow-lite:0.0.0-nightly'}


广州苹果售后维修Tags:训练神经网络


广州苹果维修服务中心文章来源:https://www.new-apple.cn/news/2457.html


上一篇:苹果广州维修中心_苹果跟华为手机哪个好?

下一篇: 苹果广州维修站_iPhone 12情报:苹果要启用新面容ID



微信下单
门店预约,在线寄修方便快捷
在线客服
随时随地,解决您的疑问
微信进度查询
随时关注维修状态,让您一清二楚
获取优惠
更多超值促销等你哦