PyTorch Mobile, Pixel 4, тесты периферийного машинного обучения, состояние платформ машинного обучения в 2019 году, создание более сложных приложений с помощью ML Kit и многое другое.

НОВОСТИ

PyTorch 1.3 добавляет мобильность, конфиденциальность, квантование и именованные тензоры

Большое объявление от команды PyTorch о машинном обучении на мобильных устройствах. Версия 1.3 включает экспериментальную поддержку ряда функций, ориентированных на мобильные устройства: конвейер развертывания, квантование модели и несколько улучшений внешнего интерфейса (например, именованные тензоры), которые сделают код чище. Экспериментальная сборка процесса сквозного развертывания работает с Python и поддерживает как iOS, так и Android. В первые дни, безусловно, будут некоторые проблемы, которые нужно решить, но очень обнадеживает то, что PyTorch активно работает над решением, которое поможет разработчикам развертывать свои модели на мобильных устройствах. ["Читать далее"]

Первые выводы и эксперименты с PyTorch Mobile

Жюльен Шомон, соучредитель и технический директор компании Hugging Face, которая в последнее время является лидером во всем, что связано с НЛП, поделился некоторыми ранними впечатлениями об экспериментальной сборке PyTorch, установив некоторые ранние тесты и сравнения для iOS. Недавняя ветка Жюльена в Твиттере резюмирует эти выводы. ["Читать далее"]

Анонсирован Pixel 4: Face Unlock, Motion Sense, Pixel Neural Core и многое другое

Google анонсировала свою новейшую линейку телефонов Pixel на презентации во вторник, представив множество новых функций и возможностей (многие из которых используют машинное обучение на устройстве). В Pixel 4 теперь есть Face Unlock (аналогично Face ID от Apple) и Motion Sense, которые создают полусферу пространственного восприятия диаметром 2 фута вокруг телефона. Neural Core — это улучшение визуального ядра Pixel 3, означающее, что Google переходит от компьютерного зрения на устройстве (т. е. улучшения фотографий в Pixel 3) к речи и задачам НЛП. Больше подробностей в этом практическом обзоре от The Verge. ["Читать далее"]

Состояние платформ машинного обучения в 2019 году

Учитывая большие новости от людей из PyTorch, этот разбор дебатов PyTorch против TensorFlow от The Gradient весьма своевременен. От автора: Мой анализ показывает, что исследователи отказываются от TensorFlow и массово переходят на PyTorch. Между тем, в промышленности TensorFlow в настоящее время является предпочтительной платформой, но это может продолжаться недолго. Много интересных дискуссий, которые пытаются поддержать эти утверждения. ["Читать далее"]

Мощные алгоритмы компьютерного зрения теперь достаточно малы, чтобы работать на вашем телефоне

По сути, это было верно уже довольно давно, но эта статья в MIT Tech Review посвящена достижениям, достигнутым в обработке видео на устройстве, которая, как правило, более ресурсоемка, чем работа со статическими изображениями. Новый метод, который может обучать модели в 3 раза быстрее, чем текущий уровень техники, может значительно сократить время ожидания и затраты на вычисления в широком диапазоне вариантов использования на устройстве. ["Читать далее"]

Пограничные устройства машинного обучения: сравнительный отчет

В конце прошлой недели Tryolabs выпустила обширный отчет о тестах машинного обучения на периферийных устройствах. Их команда проделала большую работу, предваряя данные обсуждением того, что и почему с периферийным ML, утверждая, что мы только сейчас вступаем в эру граничных вычислений и граничных устройств. Они протестировали 5 конкретных периферийных устройств с помощью классификации изображений: Jetson Nano, Coral Dev Board, Neural Compute Stick, Raspberry Pi и графический процессор NVIDIA 2080ti. ["Читать далее"]

Разработка машинного обучения на платформах Apple

Ник Арнер предоставляет отличный обзор текущего состояния машинного обучения на платформах Apple, начиная от Core ML и Create ML и заканчивая инструментами и ресурсами для преобразования моделей, помогающими разработчикам начать разработку. Если вы ищете обзор высокого уровня машинного обучения на iOS, это будет отличный ресурс для начала. ["Читать далее"]

КОД / БИБЛИОТЕКИ

[GitHub] pytorch / ios-demo-app

Примеры PyTorch для iOS, обновленные с выпуском PyTorch Mobile. ["Проводить исследования"]

[GitHub] pytorch / демо-приложение для Android

Примеры PyTorch для Android, обновленные с выпуском PyTorch Mobile. ["Проводить исследования"]

[*Fritz] fritzlabs / fritz-examples

Наш новый репозиторий примеров — это сводная коллекция опыта использования моделей машинного обучения от Fritz AI. ["Проводить исследования"]

ОБУЧЕНИЕ

[Видео] Расширение возможностей приложений с помощью машинного обучения

Это видео от команды ML Kit на саммите Firebase в этом году рассказывает о готовых к использованию API-интерфейсах ML Kit, создании пользовательских моделей с помощью Auto ML и развертывании моделей. ["Выучить больше"]

[Коллекции Heartbeat] Машинное обучение на iOS: управление моделями и оптимизация

Каталог сообщений Heartbeat, посвященных методам управления и оптимизации моделей машинного обучения в iOS. ["Выучить больше"]

[Google Colab] Ускоренный курс TensorFlow 2.0 + Keras

Официальное введение, ускоренный курс и краткий справочник по API для TensorFlow 2.0. ["Выучить больше"]

Создание машинного обучения для iOS — повышение точности модели

Навдип Сингх знакомит нас с несколькими методами повышения показателей точности моделей при создании моделей машинного обучения, готовых для iOS, с помощью Apple Create ML. ["Выучить больше"]

Примечание редактора. Heartbeat – это онлайн-публикация и сообщество, созданное авторами и посвященное исследованию зарождающегося пересечения разработки мобильных приложений и машинного обучения. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.

Редакционно независимая книга Heartbeat спонсируется и публикуется Fritz AI, платформой машинного обучения, которая помогает разработчикам обучать устройства видеть, слышать, ощущать и думать. Мы платим нашим авторам и не продаем рекламу.

Если вы хотите внести свой вклад, перейдите к нашему призыву к участию. Вы также можете подписаться на получение наших еженедельных информационных бюллетеней (Еженедельное углубленное обучение и Сердцебиение), присоединиться к нам в Slack и подписаться на Fritz AI в Твиттере, чтобы быть в курсе всех последних новостей в области мобильного машинного обучения.