Google უშვებს TensorFlow Lite დეველოპერის გადახედვას მობილურ მოწყობილობებზე მანქანური სწავლისთვის

Google აცხადებს TensorFlow Lite-ის დეველოპერის გადახედვას

TensorFlow Lite მობილურ მოწყობილობებზე მანქანური სწავლისთვის პირველად გამოაცხადა დეივ ბურკმა, Android-ის ინჟინერიის ვიცე-პრემიერმა Google I/O 2017-ზე. TensorFlow Lite არის Google-ის TensorFlow ღია კოდის ბიბლიოთეკის მსუბუქი ვერსია, რომელიც ძირითადად გამოიყენება მკვლევარების და დეველოპერების მიერ მანქანათმცოდნეობის აპლიკაციისთვის.

ახლა, საძიებო გიგანტმა დაიწყო დეველოპერების გადახედვა ახალი მანქანათმცოდნეობის ინსტრუმენტარიუმის შექმნილია სპეციალურად სმარტფონებისთვის და ჩაშენებული მოწყობილობებისთვის და ხელმისაწვდომი იქნება როგორც Android, ასევე iOS აპისთვის დეველოპერები. ეს პლატფორმა დეველოპერებს საშუალებას მისცემს განათავსონ AI მობილურ მოწყობილობებზე. ის საშუალებას აძლევს მოწყობილობაზე მანქანური სწავლების დასკვნას დაბალი შეყოვნებით და მცირე ორობითი ზომით. TensorFlow Lite ასევე მხარს უჭერს ტექნიკის აჩქარებას Android ნერვული ქსელების API.

„როგორც მოგეხსენებათ, TensorFlow უკვე მხარს უჭერს მოდელების მობილურ და ჩაშენებულ განლაგებას TensorFlow Mobile API-ის მეშვეობით“, - წერს TensorFlow-ის გუნდი.

ბლოგის პოსტი დღეს. ”წინასწარ, TensorFlow Lite უნდა განიხილებოდეს, როგორც TensorFlow Mobile-ის ევოლუცია და, როგორც ის მომწიფდება, ის გახდება რეკომენდებული გადაწყვეტა მოდელების განსათავსებლად მობილურ და ჩაშენებულ მოწყობილობებზე. ამ ანონსით, TensorFlow Lite ხელმისაწვდომია დეველოპერის გადახედვის სახით და TensorFlow Mobile კვლავ იქ არის საწარმოო აპლიკაციების მხარდასაჭერად.

ბერკი შენიშვნები რომ ეს არის „გადამწყვეტი ნაბიჯი Android-ის მრავალფეროვან სილიკონის ეკოსისტემაში აპარატურის დაჩქარებული ნერვული ქსელის დამუშავების გასააქტიურებლად“.

TensorFlow Mobile საშუალებას აძლევს დეველოპერებს ჩართონ TensorFlow მოდელები, რომლებიც მუშაობენ დესკტოპის გარემოში, მობილურ მოწყობილობებზე. თუმცა, TensorFlow Lite-ის გამოყენებით შექმნილი აპლიკაციები უფრო მსუბუქი და სწრაფი იქნება, ვიდრე მსგავსი აპლიკაციები, რომლებიც იყენებენ TensorFlow Mobile-ს. თუმცა, გამოყენების ყველა შემთხვევა ამჟამად არ არის მხარდაჭერილი TensorFlow Lite-ით.

“TensorFlow ყოველთვის მუშაობს ბევრ პლატფორმაზე, სერვერების თაროებიდან დაწყებული IoT მოწყობილობებით დამთავრებული, მაგრამ როგორც მანქანური სწავლების მოდელების მიღება. ბოლო რამდენიმე წლის განმავლობაში ექსპონენტურად გაიზარდა, ამიტომ საჭირო გახდა მათი განთავსება მობილურ და ჩაშენებულ მოწყობილობებზე,” TensorFlow-ის გუნდი დაწერა.

არსებობს სამი მოდელი, რომლებიც უკვე გაწვრთნილი და ოპტიმიზებულია მობილური მოწყობილობებისთვის.

მობილურინეტი: ხედვის მოდელების კლასი, რომელსაც შეუძლია 1000 სხვადასხვა ობიექტის კლასის იდენტიფიცირება, სპეციალურად შექმნილია მობილურ და ჩაშენებულ მოწყობილობებზე ეფექტური შესრულებისთვის.

Inception v3: სურათის ამომცნობი მოდელი, მსგავსი ფუნქციონალურობით, როგორც MobileNet, რომელიც გთავაზობთ უფრო მაღალ სიზუსტეს, მაგრამ ასევე აქვს უფრო დიდი ზომა.

ჭკვიანი პასუხი: მოწყობილობაზე სასაუბრო მოდელი, რომელიც უზრუნველყოფს ერთი შეხებით პასუხებს შემომავალ სასაუბრო ჩეთის შეტყობინებებზე. პირველი და მესამე მხარის შეტყობინებების აპები იყენებენ ამ ფუნქციას Android Wear.

TensorFlow Lite შეიცვალა ნულიდან, რათა კონცენტრირდეს სამ სფეროში:

• მსუბუქი წონა: ჩართავს მოწყობილობაზე მანქანური სწავლების მოდელების დასკვნას მცირე ორობითი ზომით და სწრაფი ინიციალიზაცია/გაშვებით.
• კროს-პლატფორმა: გაშვების დრო შექმნილია მრავალ სხვადასხვა პლატფორმაზე გასაშვებად, დაწყებული Android-ით და iOS-ით.
• Სწრაფი: ოპტიმიზებულია მობილური მოწყობილობებისთვის, მოდელის მკვეთრად გაუმჯობესებული ჩატვირთვის დროის ჩათვლით და ტექნიკის აჩქარების მხარდაჭერით.

„დეველოპერის ამ გადახედვით, ჩვენ განზრახ დავიწყეთ შეზღუდული პლატფორმით, რათა უზრუნველვყოთ შესრულება ზოგიერთ ყველაზე მნიშვნელოვან ჩვეულებრივ მოდელზე“, - ნათქვამია პოსტში, რომელიც დაწერილია TensorFlow გუნდის მიერ. „ჩვენ ვგეგმავთ სამომავლო ფუნქციონალური გაფართოების პრიორიტეტიზაციას ჩვენი მომხმარებლების საჭიროებიდან გამომდინარე. ჩვენი უწყვეტი განვითარების მიზნებია დეველოპერების გამოცდილების გამარტივება და მოდელის განლაგების ჩართვა მობილური და ჩაშენებული მოწყობილობების სპექტრისთვის.

TensorFlow Lite დეველოპერის ხელსაწყოთა ნაკრები ახლა უკვე ხელმისაწვდომია წინასწარი გადახედვის სახით GitHub, კოდის ნიმუშებთან და დემო აპლიკაციებთან ერთად. ვისაც აინტერესებს მეტი ინფორმაცია TensorFlow Lite-ის შესახებ, შეუძლია შეამოწმოს დოკუმენტაცია აქ.

წყარო: 9TO5Google