Подпишитесь здесь, чтобы еженедельно получать этот информационный бюллетень на свой почтовый ящик!

Распространение моделей машинного обучения на устройстве с тегами и метаданными

Представьте, что вы создаете приложение, которое использует маркировку изображений в реальном времени для идентификации контента на фотографиях. Вы обучаете нейронную сеть, используя стандартную конфигурацию MobileNet V2, и тестируете ее на нескольких устройствах. iPhone XS с процессором A12 Bionic может запускать модели машинного обучения до 9 раз быстрее, чем iPhone X, и до 50 раз быстрее, чем iPhone 6. Ваше приложение работает в режиме реального времени на последнем флагмане, но задержки ужасны для старых устройства. Что вы должны сделать?

Это была основная техническая проблема, которую наша команда намеревалась решить, и вот что у нас получилось. Как разработчик, использующий Fritz, теперь вы можете добавлять теги и метаданные в модели машинного обучения на устройстве. Модели можно запрашивать по тегам и динамически загружать с помощью SDK для iOS и Android, что дает вам больший контроль над распространением и использованием. Теперь вы можете доставлять модели пользователям на основе оборудования, местоположения, программной среды или любого другого атрибута.

Использование тегов и метаданных

  • Определенное оборудование. Теги можно использовать для доставки определенных моделей на определенные устройства в зависимости от производительности и доступности оборудования.
  • Контроль доступа. Используйте теги и метаданные для управления доступом к моделям или группам моделей, которые разблокируют пользователи. Например. встроенные покупки.
  • Локализация. Предоставьте пользователям модели, локализованные для разных регионов или языков. Например. классификаторы текстов, обученные на корпусах определенного языка.
  • Управление ресурсами: сопоставление моделей с другими ресурсами с помощью метаданных. Например. ссылки на превью эскизов для данной модели.

ПОГРУЗИТЬ ПРИМЕР

Новые руководства

Рекомендации по ведению технических блогов: поисковая оптимизация и обмен контентом

От выбора темы до привлечения нужной аудитории к прочтению вашей работы, техническое письмо может быть сложным делом. Вот почему наш глава сообщества Остин Кодра составил это руководство с советами по SEO и обмену контентом для технических блоггеров. "Выучить больше"

Сравнение моделей MobileNet в TensorFlow

По сравнению с аналогичными моделями MobileNet работает лучше с задержкой, размером и точностью. Это особенно полезно для моделей, развернутых на мобильных устройствах для получения логических выводов в реальном времени. В этой статье сравнивается производительность логических выводов в версиях MobileNet. "Читать далее"