你在打王者农药，有人却用iPhone来训练神经网络

2020-05-28 01:29:15

选自Medium

[转载出处：www.ii77.com]

作者：Jacopo Mangiavacchi

机械之心编译

机械之心编纂部

你知道吗？在 iOS 设备上也能够直接练习 LeNet 卷积神经收集，并且机能一点也不差，iPhone 和 iPad 也能化为实实在在的生产力。

机械进修要想在移动端上应用一样分为如下两个阶段，第一个阶段是练习模型，第二个阶段是布置模型。常规的做法是在算力壮大的 GPU 或 TPU 上对模型进行练习，之后再使用一系列模型压缩的方式，将其转换为可在移动端上运行的模型，并与 APP 连通起来。Core ML 首要解决的就是最后的模型布置这一环节，它为斥地者供应了一个便捷的模型转换对象，能够很轻易地将练习好的模型转换为 Core ML 类型的模型文件，实现模型与 APP 数据的互通。

以上是常规的把持。然而，跟着 iOS 设备较量机能的提拔，坊间络续发生一些 iPad Pro 算力跨越通俗笔记本的谈吐。于是乎，就显现了这么一位「勇者」，开源了能够直接在 iOS 设备上练习神经收集的项目。

项目作者在 macOS、iOS 模拟器和真实的 iOS 设备长进行了测试。用 60000 个 MNIST 样本练习了 10 个 epoch，在模型架构与练习参数完全沟通的前提下，使用 Core ML 在 iPhone 11 上练习也许需要 248 秒，在 i7 MacBook Pro 上使用 TensorFlow 2.0 练习需要 158 秒（仅使用 CPU 的情形下），但正确率都跨越了 0.98。

当然，在 248 秒和 158 秒之间还有非常大的差距，但进行此项实验的目的并不是比速度，而是为了索求用移动设备或可穿戴设备在内陆进行练习的可行性，因为这些设备中的数据往往对照敏感，并且涉及隐私，内陆练习能够供应更好的平安性。

项目地址：https://github.com/JacopoMangiavacchi/MNIST-CoreML-Training

MNIST 数据集

在这篇文章中，作者介绍了若何使用 MNIST 数据集布置一个图像分类模型，值得注重的是，这个 Core ML 模型是在 iOS 设备上直接练习的，而无需提前在其他 ML 框架中进行练习。

作者在这里使用了一个很有名的数据集——MNIST 手写数字数据集。它供应了 60000 个练习样本和 10000 个测试样本，都是从 0 到 9 的 28x28 手写数字是非图像。

LeNet CNN 架构

若是你想认识 CNN 的细节和优势，从 LeNet 架构着手是一个再好不外的起点。LeNet CNN+MNIST 数据集的组合是机械进修「练习」的尺度组合，的确相当于深度进修图像分类的「Hello, World」。

这篇文章首要着眼于若何在 iOS 设备上直接为 MNIST 数据集构建和练习一个 LeNet CNN 模型。接下来，研究者将把它与基于有名的 ML 框架（如 TensorFlow）的经典「Python」实现方式进行对照。

在 Swift 中为 Core ML 的练习预备数据

在商议若何在 Core ML 中建立及练习 LeNet CNN 收集之前，我们能够先看一下若何预备 MNIST 练习数据，以将其准确地 batch 至 Core ML 运行中去。

鄙人列 Swift 代码中，练习数据的 batch 是专门为 MNIST 数据集预备的，只需将每个图像的「像素」值从 0 到 255 的初始局限归一化至 0 到 1 之间的「可懂得」局限即可。

为 Core ML 模型（CNN）练习做预备

处理好练习数据的 batch 并将其归一化之后，如今就能够使用 SwiftCoreMLTools 库在 Swift 的 CNN Core ML 模型中进行一系列内陆化预备。

鄙人列的 SwiftCoreMLTools DSL 函数构建器代码中，还能够查察在沟通的情形中若何传递至 Core ML 模型中。同时，也包含了根基的练习信息、超参数等，如损失函数、优化器、进修率、epoch 数、batch size 等等。

使用 Adam 优化器练习神经收集，具体参数如下：

接下来是构建 CNN 收集，卷积层、激活与池化层界说如下：

再使用一组与前面沟通的卷积、激活与池化把持，之后输入 Flatten 层，再经由两个全保持层后使用 Softmax 输出究竟。

获得的 CNN 模型

方才构建的 Core ML 模型有两个卷积和最大池化嵌套层，在将数据悉数压平之后，保持一个隐含层，最后是一个全保持层，经由 Softmax 激活后输出究竟。

基准 TensorFlow 2.0 模型

为了对究竟进行基准测试，尤其是运行时间方面的练习结果，作者还使用 TensorFlow 2.0 从新建立了统一 CNN 模型的正确副本。

下方的的 Python 代码展示了 TF 中的统一模型架构和每层 OutPut Shape 的情形：

能够看到，这里的层、层外形、卷积过滤器和池巨细与使用 SwiftCoreMLTools 库在设备上建立的 Core ML 模型完全沟通。

对照究竟

在查察练习执行时间机能之前，首先确保 Core ML 和 TensorFlow 模型都练习了沟通的 epoch 数（10），用沟通的超参数在沟通的 10000 张测试样本图像上获得非常相似的正确度器量。

从下面的 Python 代码中能够看出，TensorFlow 模型使用 Adam 优化器和分类交叉熵损失函数进行练习，测试用例的最终正确率究竟大于 0.98。

Core ML 模型的究竟如下图所示，它使用了和 TensorFlow 沟通的优化器、损失函数以及练习集和测试集，能够看到，其识别正确率也跨越了 0.98。

介绍阅读：

《Swift loves TensorFlow and Core ML》

https://heartbeat.fritz.ai/swift-loves-tensorflow-and-core-ml-8adb52838931

参考链接：

https://www.zhihu.com/question/60737205/answer/180687657

首届「马栏山」杯国际音视频算法大赛正在火热进行中。大赛聚焦图像和介绍、画质优化三大范畴，设置包罗视频特定点位追踪、视频介绍、画质伤害修复三大赛题。精良参赛者不光可获得奖金，获奖解决方案还有机会被应用于芒果 TV 焦点范畴，在校学生还将或者到场芒果 TV「青芒规划」，发放「special offer」。

识别下图..或点击阅读原文，立刻报名参赛。

上一篇：北京人赶紧！155万元消费券来了！领取方法看这里！
下一篇：见证巅峰！

你在打王者农药，有人却用iPhone来训练神经网络

热门文章

小编推荐

推荐文章