优德体育注册

这样设计的搜寻流程可允许不同层使用不同作业和连线方式。同时也强制要求同个模块的所有层都共享同种架构,相比普通的每层独立搜寻架构,这样就把搜寻空间显著减小数个等级。

优德体育平台
优德体育平台

GoogleBrain 研究人员在 ImageNet 影像分类和 COCO 物体侦测工作测试这种方法的效果。实验中,这种方法找到的网络在典型行动装置计算速度限制下达到准确率新高纪录。下图展示了 ImageNet 的结果。
在 ImageNet,如果要达到同样准确率,MnasNet 模型可比目前顶级人工设计的模型 MobileNetV2 快 1.5 倍,比 NASNet 快 2.4 倍,其中 NASNet 也是用网络架构搜寻找到的。采用压缩─激励(squeeze-and-excitation)最佳化后,Google 新的 MnasNet+ SE 模型首位准确率可达 76.1%,这已达 ResNet-50 水平,但却比 ResNet-50 的参数少了 19 倍,乘─加的计算运算目也减少了 10 倍。在 COCO,Google 的模型系列可同时在准确率和执行速度领先 MobileNet,准确率与 SSD300 模型相当,但所需计算量少了 35 倍。

优德娱乐平台
优德娱乐平台

GoogleBrain 研究人员很高兴看到自动搜寻得到的模型可在多个复杂的行动计算机视觉工作取得顶级成绩。未来他们计划在搜寻空间整合更多作业和最佳化方法供用户选择,也尝试应用到语义分割等更多行动计算机视觉工作。