Google MobileNets採開放架構設計，並且免費提供開發者取用，使其應用程式能有更進一步的深度學習應用，諸如物件識別、人臉辨別或影像品質判斷等，但無需全數仰賴持續連網的學習模式，而可藉由手機處理器進行裝置端的端點運算，並且達成相近的深度學習應用效果。
為了進一步強化手機端的深度學習應用，Google在今年Google I/O 2017期間宣布提供針對行動裝置設計的輕量版學習框架TensorFlow Lite，讓行動版App也能藉由手機等裝置硬體效能發揮人工智慧應用功能，而在稍早更宣布推出包含影識別在內16種預先訓練學習模型的MobileNets系統，藉此讓手機也能發揮貼近雲端協作表現的運算效能。
此項系統同樣採開放架構設計，並且免費提供開發者取用，使其應用程式能有更進一步的深度學習應用，諸如物件識別、人臉辨別或影像品質判斷等，但無需全數仰賴持續連網的學習模式，而可藉由手機處理器進行裝置端的端點運算，並且達成相近的深度學習應用效果。
根據Google測試表示，在MobileNets系統運算之下，準確率約可在70.7%至89.5%之間，相比結合雲端運算的識別準確率約在94%左右，其實已經相當高的準確率表現，意味裝置端在未仰賴連網情況下也能實現相當程度的深度學習應用，比重上將可有效提昇裝置運算反應表現。
而基於Google透過本身數據、使用反饋等資料完成16種預先訓練的學習模型，開發者將能有效利用這些訓練模型打造不同應用服務，甚至藉此訓練不同學習模型，讓人工智慧技術能藉由MobileNets系統、TensorFlow Lite等學習框架更便利地導入手機等行動裝置。
相同的發展模式，蘋果方面也開始在新版iOS 11內導入裝置端的端點運算學習模型，利用Core ML設計讓iPhone、iPad等裝置能有更快運算效能表現。至於Google近期也傳出計畫打造自有處理器，因此預期將在未來推出的Pixel系列機種導入更具軟硬體整合的深度學習應用，讓手機變得更聰明。
0 則回應