Google發布了一個稱為TensorFlow Lite Model Maker的工具,能使用轉移學習使機器學習模型,適應開發者自定義的資料集。Model Maker使用API封裝了複雜的機器學習概念,讓開發人員僅需要撰寫幾行程式碼,就能以TensorFlow框架訓練模型,並將模型部署到裝置上的人工智慧應用程式。
TensorFlow Lite在2017年時發布,專為邊緣裝置設計的TensorFlow模型預測框架,是TensorFlow的精簡版本,讓開發者可以在行動、物聯網與嵌入式裝置中部署機器學習模型,目前已經被大量部署於全球40億個裝置中,支援Android、iOS以及Linux的物聯網裝置和微控制器。
Model Maker是要讓開發者能夠根據自己的使用案例,自定義預訓練模型,使這些預訓練模型能夠應用開發者的資料集,Model Maker支援TensorFlow Hub上各種可用的模型,同時也包括這次新發布的EfficientNet-Lite、MobileBERT以及ALBERT模型,官方提到,開發者只需要修改一行程式碼,就可以切換使用不同模型基礎架構。Model Make目前支援兩種使用案例,分別是圖像分類以及文字分類。
而官方新發布的EfficientNet-Lite、MobileBERT以及ALBERT三種模型基礎架構,可提供開發者應用於更廣泛的使用案例,解決各式問題。EfficientNet-Lite是一種新型的圖像分類模型,僅需要少量的計算以及參數,就能夠實現高精準度的預測結果;EfficientNet-Lite模型針對TensorFlow Lite進行了最佳化,能以可忽略的精度損失支援量化,並由GPU達到更快速的預測。
MobileBERT則是熱門的BERT模型最佳化版本,BERT模型能夠以高準確性,執行一系列自然語言處理任務,包括問答、自然語言預測等工作,而MobileBERT的執行速度約比BERT還要快4倍,容量更小且可以維持相似的精準度。
另一個新模型ALBERT,同樣是BERT的另一個輕量級版本,是個與TensorFlow Lite相容的版本,官方對模型的大小進行了最佳化,比BERT小6倍,比MobileBERT小1.5倍,但是延遲與BERT相當,也能提供相似的預測精準度。
官方也說明了接下來他們的發展方向,仍然會繼續發布裝置上模型,推出更多模型支援電腦視覺以及自然語言處理的使用案例,同時也會發布新的教學教材與範例,展示在行動裝置上使用C/C++ API進行預測的方法。
Model Maker也會獲得改進,能夠支援更多元的任務,包括物件偵測和更多自然語言處理任務,官方表示,他們要讓沒有機器學習專業的開發人員,可以透過遷移學習來建置新的自然語言處理模型,另外,他們也會擴展元資料和程式碼生成工具,並且與Android Studio和TensorFlow Hub等更多平臺整合。
熱門新聞
2024-12-08
2024-12-08
2024-11-29