Google發布最新裝置上機器學習模型MobileNetV3和MobileNetEdgeTPU

Google針對行動裝置以及人工智慧運算架構Edge TPU，釋出採用AutoML技術最佳化的機器學習模型MobileNetV3和MobileNetEdgeTPU。在維持相同精確度的情況下，MobileNetV3的運算速度是前一代MobileNetV2的兩倍，而MobileNetEdgeTPU模型則是專為Edge TPU架構設計，在機器學習運算的速度、準確度以及功耗效率表現，可比其他模型還要好。

為了同時實現隱私保護、總是可用以及回應式的人工智慧功能，Google在行動裝置上加入機器學習運算硬體與演算法，像是在最近發表的手機Pixel 4中就部署Pixel Neural Core，這是Google Edge TPU人工智慧運算架構的實例，提供像是臉部辨識解鎖、智慧助理以及特殊相機功能等應用。除了硬體之外，演算法也是機器學習應用至關重要的元素，且因為行動裝置不像是雲端伺服器，有著理論上無限的運算能力，因此裝置上的模型需要有具壓縮且有效率的特性。

Google現在發布的兩個最新裝置上機器學習模型，在效能與功耗表現都獲得進展。MobileNetV3與之前由人工設計的MobileNet不同，Google使用AutoML技術，為手機電腦視覺任務尋找MobileNetV3的最佳架構，而且為了在不同條件都可以提供最佳效能，Google同時產出大與小兩種模型。

（下圖左）以小型模型來看，在裝置Pixel 4中，綠線MobileNetV2要達到與藍線MobileNetV3相同的精確度65.4％，MobileNetV2延遲達10ms，而MobileNetV3延遲則只有5ms。而在（下圖右）可看到，藍線大型MobileNetV3模型與綠線MobileNetV2的比較，當MobileNetV3達75％的精確度與MobileNetV2達70％的精確度時，所產生的延遲均為20ms，明顯的MobileNetV3效能比起前一代提升不少。

除了分類模型之外，MobileNetV3還加入物件偵測模型，在COCO資料集中使用相同精確度，MobileNetV3比MobileNetV2的偵測延遲少了25％。

另一個Google發表的機器學習模型MobileNetEdgeTPU，則是專為Pixel 4中的Edge TPU設計，Google提到，Pixel 4中的Edge TPU架構與Coral產品系列中的Edge TPU板相似，但是有為手機上的相機進行調整。Google同樣也應用了AutoML方法，為機器學習模型MobileNetEdgeTPU進行最佳化。

MobileNetEdgeTPU在硬體Edge TPU中有著極佳的延遲表現以及精確度，與MobileNetV2和極簡型MobileNetV3相比，在固定延遲的情況下，MobileNetEdgeTPU能提供更高的精確度（下圖），而且花費的功耗更少，在相同精確度下，MobileNetEdgeTPU使用的功耗不到極簡型MobileNetV3的50％。