女人荫蒂被添全过程13种图片,亚洲+欧美+在线,欧洲精品无码一区二区三区 ,在厨房拨开内裤进入毛片

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

MIT韓松等人團(tuán)隊(duì)開發(fā)了一種高效的神經(jīng)結(jié)構(gòu)搜索算法

DPVg_AI_era ? 來源:lp ? 2019-03-29 08:53 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

MIT韓松等人團(tuán)隊(duì)開發(fā)了一種高效的神經(jīng)結(jié)構(gòu)搜索算法,可以為在特定硬件上自動(dòng)設(shè)計(jì)快速運(yùn)行的神經(jīng)網(wǎng)絡(luò)提供一個(gè)“按鈕型”解決方案,算法設(shè)計(jì)和優(yōu)化的機(jī)器學(xué)習(xí)模型比傳統(tǒng)方法快200倍。

使用算法自動(dòng)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)是人工智能的一個(gè)新領(lǐng)域,而且算法設(shè)計(jì)的系統(tǒng)比人類工程師開發(fā)的系統(tǒng)更準(zhǔn)確、更高效。

但是這種所謂的神經(jīng)結(jié)構(gòu)搜索(NAS)技術(shù)在計(jì)算上非常昂貴。

谷歌最近開發(fā)的最先進(jìn)的NAS算法,它可以在一組GPU上運(yùn)行,需要48000小時(shí)來生成一個(gè)用于圖像分類和檢測任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)。當(dāng)然了,谷歌擁有并行運(yùn)行數(shù)百個(gè)GPU和其他專用硬件的資金實(shí)力,但這對(duì)其他大部分人來說是遙不可及的。

在5月份即將舉行的ICLR會(huì)議發(fā)表的一篇論文中,MIT的研究人員描述了一種NAS算法,僅需200小時(shí),可以專為目標(biāo)硬件平臺(tái)(當(dāng)在大規(guī)模圖像數(shù)據(jù)集上運(yùn)行時(shí))直接學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)。這可以使這類算法得到更廣泛的使用。

論文:ProxylessNAS: 在目標(biāo)任務(wù)和硬件上直接搜索神經(jīng)架構(gòu)

地址:https://arxiv.org/pdf/1812.00332.pdf

研究人員表示,資源匱乏的研究人員和企業(yè)可以從節(jié)省時(shí)間和成本的算法中受益。論文作者之一、MIT電子工程與計(jì)算機(jī)科學(xué)助理教授、微系統(tǒng)技術(shù)實(shí)驗(yàn)室研究員韓松(Song Han)表示,他們的總體目標(biāo)是“AI民主化”。

MIT電子工程與計(jì)算機(jī)科學(xué)助理教授韓松

他說:“我們希望通過在特定硬件上快速運(yùn)行的一個(gè)’按鈕型’(push-button)的解決方案,讓AI專家和非專家都能夠高效地設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)。”

韓松補(bǔ)充說,這樣的NAS算法永遠(yuǎn)不會(huì)取代人類工程師。“目的是減輕設(shè)計(jì)和改進(jìn)神經(jīng)網(wǎng)絡(luò)架構(gòu)所帶來的重復(fù)和繁瑣的工作,”他說。他的團(tuán)隊(duì)中的兩位研究人員Han Cai和Ligeng Zhu參與了論文。

ImageNet最高精度,計(jì)算成本降低200倍

在他們的工作中,研究人員開發(fā)了一些方法來刪除不必要的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)組件,以縮短計(jì)算時(shí)間,并僅使用一小部分硬件內(nèi)存來運(yùn)行NAS算法。另一項(xiàng)創(chuàng)新確保每個(gè)輸出的CNN在特定的硬件平臺(tái)(CPU、GPU和移動(dòng)設(shè)備)上運(yùn)行得比傳統(tǒng)方法更高效。在測試中,研究人員用手機(jī)測得CNN運(yùn)行速度是傳統(tǒng)方法的1.8倍,準(zhǔn)確度與之相當(dāng)。

CNN的架構(gòu)由可調(diào)參的計(jì)算層(稱為“過濾器”)和過濾器之間可能的連接組成。過濾器處理正方形網(wǎng)格形式的圖像像素,如3x3、5x5或7x7,每個(gè)過濾器覆蓋一個(gè)正方形。過濾器基本上是在圖像上移動(dòng)的,并將其覆蓋的像素網(wǎng)格的所有顏色合并成單個(gè)像素。不同的層可能具有不同大小的過濾器,并以不同的方式連接以共享數(shù)據(jù)。輸出是一個(gè)壓縮圖像——來自所有過濾器的組合信息——因此可以更容易地由計(jì)算機(jī)進(jìn)行分析。

由于可供選擇的架構(gòu)的數(shù)量——稱為“搜索空間”——是如此之大,因此應(yīng)用NAS在大型圖像數(shù)據(jù)集上創(chuàng)建神經(jīng)網(wǎng)絡(luò)在計(jì)算上是令人望而卻步的。工程師們通常在較小的proxy數(shù)據(jù)集上運(yùn)行NAS,并將它們學(xué)到的CNN架構(gòu)轉(zhuǎn)移到目標(biāo)任務(wù)。然而,這種泛化方法降低了模型的精度。此外,相同的輸出架構(gòu)也適用于所有硬件平臺(tái),這造成了效率問題。

研究人員直接在ImageNet數(shù)據(jù)集中的一個(gè)圖像分類任務(wù)上訓(xùn)練并測試了他們的新NAS算法。他們首先創(chuàng)建了一個(gè)搜索空間,其中包含所有可能的CNN候選“路徑”(paths)——即層和過濾器連接以處理數(shù)據(jù)的方式。這使得NAS算法可以自由地找到最優(yōu)的架構(gòu)。

ProxylessNAS在ImageNet上達(dá)到最高精度,且搜索成本的GPU hours減少了200倍

通常,這意味著所有可能的路徑都必須存儲(chǔ)在內(nèi)存中,這將超過GPU的內(nèi)存限制。為了解決這個(gè)問題,研究人員利用了一種稱為“路徑級(jí)二值化”(path-level binarization)的技術(shù),這種技術(shù)一次只存儲(chǔ)一個(gè)采樣路徑,并節(jié)省了一個(gè)數(shù)量級(jí)的內(nèi)存消耗。他們將這種二值化與“path-level pruning”相結(jié)合,后者是一種傳統(tǒng)的技術(shù),可以在不影響輸出的情況下學(xué)習(xí)刪除神經(jīng)網(wǎng)絡(luò)中的哪些“神經(jīng)元”。然而,他們提出的新NAS算法并不是丟棄神經(jīng)元,而是修剪了整個(gè)路徑,這完全改變了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

ImageNet上精度和延遲的結(jié)果

在訓(xùn)練中,所有路徑最初都被賦予相同的選擇概率。然后,該算法跟蹤路徑——一次只存儲(chǔ)一個(gè)路徑——以記錄輸出的準(zhǔn)確性和損失(對(duì)錯(cuò)誤預(yù)測的數(shù)字懲罰)。然后,它調(diào)整路徑的概率,以優(yōu)化精度和效率。最后,該算法修剪掉所有低概率路徑,只保留了概率最高的路徑——這就是最終的CNN架構(gòu)。

硬件感知:測試延遲只需一部手機(jī)

韓松表示,該研究另一個(gè)關(guān)鍵的創(chuàng)新是使NAS算法具備“硬件感知”(hardware-aware),這意味著它將每個(gè)硬件平臺(tái)上的延遲作為反饋信號(hào)來優(yōu)化架構(gòu)。

例如,為了測量移動(dòng)設(shè)備上的延遲,Google這樣的大公司會(huì)使用大量的移動(dòng)設(shè)備,這是非常昂貴的。相反,研究人員構(gòu)建了一個(gè)模型,只使用一部手機(jī)就能預(yù)測延遲。

不同硬件的延遲結(jié)果

對(duì)于網(wǎng)絡(luò)的每個(gè)所選層,算法都對(duì)該延遲預(yù)測模型的架構(gòu)進(jìn)行采樣。然后,使用這些信息來設(shè)計(jì)一個(gè)盡可能快地運(yùn)行的架構(gòu),同時(shí)實(shí)現(xiàn)高精度。在實(shí)驗(yàn)中,研究人員的CNN在移動(dòng)設(shè)備上的運(yùn)行速度幾乎是標(biāo)準(zhǔn)模型的兩倍。

針對(duì)不同硬件優(yōu)化的高效模型

韓松說,一個(gè)有趣的結(jié)果是,他們的NAS算法設(shè)計(jì)的CNN架構(gòu)長期以來被認(rèn)為效率太低,但在研究人員的測試中,它們實(shí)際上針對(duì)特定的硬件進(jìn)行了優(yōu)化。

例如,工程師基本上已經(jīng)停止使用7x7過濾器,因?yàn)樗鼈兊挠?jì)算成本比多個(gè)更小的過濾器更昂貴。然而,研究人員的NAS算法發(fā)現(xiàn),具有部分7x7過濾器層的架構(gòu)在GPU上運(yùn)行得最快。這是因?yàn)镚PU具有高并行性——意味著它們可以同時(shí)進(jìn)行許多計(jì)算——所以一次處理一個(gè)大過濾器比一次處理多個(gè)小過濾器效率更高。

“這與人類以前的思維方式背道而馳,”韓松說。“搜索空間越大,你能找到的未知事物就越多。你不知道是否會(huì)有比過去的人類經(jīng)驗(yàn)更好的選擇。那就讓AI來解決吧。”

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:MIT華人助理教授新作:加快神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)自動(dòng)化的步伐

文章出處:【微信號(hào):AI_era,微信公眾號(hào):新智元】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    百度搜索與文心智能體平臺(tái)接入DeepSeek及文心大模型深度搜索

    近日,百度搜索與文心智能體平臺(tái)聯(lián)合宣布了項(xiàng)重要更新:將全面接入DeepSeek及文心大模型最新的深度搜索功能。這更新將為用戶和開發(fā)者帶來
    的頭像 發(fā)表于 02-17 09:14 ?597次閱讀

    什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法

    BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法(Backpropagation Algorithm)是一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的有效方法。以下是關(guān)于BP神經(jīng)網(wǎng)絡(luò)的反
    的頭像 發(fā)表于 02-12 15:18 ?720次閱讀

    BitEnergy AI公司開發(fā)一種新AI處理方法

    BitEnergy AI公司,家專注于人工智能(AI)推理技術(shù)的企業(yè),其工程師團(tuán)隊(duì)創(chuàng)新性地開發(fā)了一種名為線性復(fù)雜度乘法(L-Mul)的AI處理方法。該方法的核心在于,它用整數(shù)加法替代
    的頭像 發(fā)表于 10-22 15:15 ?798次閱讀

    一種新型全光學(xué)智能光譜儀

    近日,北京理工大學(xué)光電學(xué)院許廷發(fā)教授科研團(tuán)隊(duì)與清華大學(xué)林星助理教授團(tuán)隊(duì)聯(lián)合開發(fā)了一種新型全光學(xué)智能光譜儀(Opto-Intelligence Spectrometer, OIS)。
    的頭像 發(fā)表于 07-31 06:18 ?644次閱讀
    <b class='flag-5'>一種</b>新型全光學(xué)智能光譜儀

    人工神經(jīng)網(wǎng)絡(luò)模型是一種什么模型

    人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANNs)是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)而產(chǎn)生的數(shù)學(xué)模型,用于模擬人腦處理信息的方式。它由大量的節(jié)點(diǎn)(或稱為神經(jīng)元)相
    的頭像 發(fā)表于 07-04 16:57 ?1566次閱讀

    bp神經(jīng)網(wǎng)絡(luò)算法過程包括

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)是一種多層前饋神經(jīng)網(wǎng)絡(luò),具有強(qiáng)大的非線性映射能力,廣泛應(yīng)用于模式識(shí)別、信號(hào)處理、預(yù)測等領(lǐng)域。本文將詳細(xì)介紹BP神經(jīng)
    的頭像 發(fā)表于 07-04 09:45 ?924次閱讀

    日本九州大學(xué)開發(fā)了名為QDyeFinder的人工智能(AI)工具

    在探索大腦這宇宙中最復(fù)雜結(jié)構(gòu)的征途中,科學(xué)家們不斷突破技術(shù)的邊界,以更精細(xì)、更高效的方式揭示其奧秘。近期,日本九州大學(xué)的研究團(tuán)隊(duì)在《自然·通訊》雜志上發(fā)表了
    的頭像 發(fā)表于 07-03 14:43 ?875次閱讀

    神經(jīng)元的結(jié)構(gòu)及功能是什么

    神經(jīng)元是神經(jīng)系統(tǒng)的基本結(jié)構(gòu)和功能單位,它們通過電信號(hào)和化學(xué)信號(hào)進(jìn)行信息傳遞和處理。神經(jīng)元的結(jié)構(gòu)和功能非常復(fù)雜,涉及到許多不同的方面。
    的頭像 發(fā)表于 07-03 11:33 ?2669次閱讀

    神經(jīng)網(wǎng)絡(luò)反向傳播算法的優(yōu)缺點(diǎn)有哪些

    神經(jīng)網(wǎng)絡(luò)反向傳播算法(Backpropagation Algorithm)是一種廣泛應(yīng)用于深度學(xué)習(xí)和機(jī)器學(xué)習(xí)領(lǐng)域的優(yōu)化算法,用于訓(xùn)練多層前饋神經(jīng)
    的頭像 發(fā)表于 07-03 11:24 ?2000次閱讀

    神經(jīng)網(wǎng)絡(luò)反向傳播算法的作用是什么

    神經(jīng)網(wǎng)絡(luò)反向傳播算法(Backpropagation)是一種用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的算法,它通過計(jì)算損失函數(shù)關(guān)于網(wǎng)絡(luò)參數(shù)的梯度來更新網(wǎng)絡(luò)的權(quán)重
    的頭像 發(fā)表于 07-03 11:17 ?2476次閱讀

    BP神經(jīng)網(wǎng)絡(luò)算法的基本流程包括

    BP神經(jīng)網(wǎng)絡(luò)算法,即反向傳播(Backpropagation)神經(jīng)網(wǎng)絡(luò)算法,是一種多層前饋神經(jīng)網(wǎng)
    的頭像 發(fā)表于 07-03 09:52 ?953次閱讀

    神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)有哪些類型

    神經(jīng)網(wǎng)絡(luò)算法是深度學(xué)習(xí)的基礎(chǔ),它們在許多領(lǐng)域都有廣泛的應(yīng)用,如圖像識(shí)別、自然語言處理、語音識(shí)別等。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有很多種類型,每種類型都有其獨(dú)特的特點(diǎn)和應(yīng)用場景。以下是對(duì)
    的頭像 發(fā)表于 07-03 09:50 ?905次閱讀

    神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)有哪些

    神經(jīng)網(wǎng)絡(luò)算法一種模擬人腦神經(jīng)結(jié)構(gòu)的計(jì)算模型,廣泛應(yīng)用于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、圖像識(shí)別、語音識(shí)別等領(lǐng)域。然而,
    的頭像 發(fā)表于 07-03 09:47 ?2912次閱讀

    神經(jīng)網(wǎng)絡(luò)算法的基本原理

    神經(jīng)網(wǎng)絡(luò)算法是人工智能領(lǐng)域的一種重要算法,它模仿了人腦神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)和功能,通過對(duì)大量數(shù)據(jù)進(jìn)行
    的頭像 發(fā)表于 07-03 09:44 ?1654次閱讀

    神經(jīng)網(wǎng)絡(luò)反向傳播算法原理是什么

    神經(jīng)網(wǎng)絡(luò)反向傳播算法(Backpropagation Algorithm)是一種用于訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)算法。它通過最小化損失函數(shù)
    的頭像 發(fā)表于 07-02 14:16 ?1337次閱讀
    主站蜘蛛池模板: 盐源县| 肇州县| 黄梅县| 绥化市| 麻阳| 通榆县| 肇东市| 年辖:市辖区| 邢台市| 沙坪坝区| 太湖县| 安化县| 丹阳市| 将乐县| 嫩江县| 荥经县| 大埔县| 新宁县| 东台市| 荣昌县| 宝鸡市| 保山市| 勐海县| 区。| 阿尔山市| 嘉善县| 南京市| 陈巴尔虎旗| 日照市| 常山县| 衡东县| 神农架林区| 鹿邑县| 常熟市| 安国市| 罗定市| 北票市| 油尖旺区| 都兰县| 武冈市| 高清|