0 引言
由于深度学习模型的训练需要极高的计算能力,所以深度学习框架大都是基于PC终端,一般都是基于具有GPU计算能力的服务器。但是近几年,随着移动互联网的快速发展,再加之携带方便,移动设备逐渐成为人们日常生活、娱乐的主要平台。目前,绝大部分移动设备都是采用Online方式使用深度学习技术。Online方式会在移动设备上先对数据进行预处理,然后再将数据发送到服务器进行深度学习相关操作,最后将处理结果传回移动设备。这种方式在效率、隐私性、用户体验等方面均存在一定问题。为了解决这些问题,谷歌、百度、腾讯等公司都在积极研发适用于移动端的深度学习平台,希望能够带来更好的用户体验。本文主要对谷歌公司研发的TensorFlow Lite深度学习平台进行深入的研究和分析。
1 TensorFlow Lite平台概述
1.1 TensorFlow介绍
要介绍TensorFlow Lite就必须先从TensorFlow说起。TensorFlow是谷歌公司研发的一款人工智能学习开源平台。平台的命名很直接地表明了人工智能神经网络的工作过程。Tensor代表张量,本质就是n维的数组向量;Flow就是流,代表基于数据流图的计算过程。TensorFlow平台从发布至今,已经更新到1.10版本,被广泛地应用在各个领域。而且由于其开源特性,学生、研究员、工程师、发明家、创业者等各种行业从业者都可以方便地获取并使用TensorFlow。
1.2 TensorFlow Lite介绍
在移动设备部署人工智能应用是目前的一个趋势,谷歌公司旗下的Android系统是目前市场份额最大的移动设备系统,再加上谷歌公司TensorFlow平台在人工智能领域的优秀表现,谷歌公司研发应用于移动设备的人工智能开发平台可以说是水到渠成。在Google I/O 2017大会上,谷歌发布了TensorFlow Lite,可以帮助应用开发者便捷地在移动设备上部署人工智能。TensorFlow Lite是TensorFlow的一个轻量级版本,针对移动设备做了很多优化和改造。谷歌表示 TensorFlow Lite 仍处于“积极开发”状态,目前仅有少量预训练AI模型面世。但是,因为Android系统的版本演进是由谷歌一手控制的,所以长远来看,TensorFlow Lite必定会得到Android系统层面的支持,从而达到更好的性能表现。
TensorFlow Lite主要面向移动设备和嵌入式设备,主要特点有:(1)轻量级:不同于TensorFlow,TensorFlow Lite具有轻量级的特点,很多方面都进行了优化处理,例如模型大小。(2)跨平台:通过特殊的优化设计,使其可以在不同的平台上运行,目前已经支持Android系统和 iOS系统。
(3)快速:专为移动设备进行优化,能够大幅提升模型加载时间,支持硬件加速。
1.3 TensorFlow Lite平台架构
(1)TensorFlow Model
TensorFlow平台训练好的模型,以文件的形式保存在磁盘中,其文件格式无法直接应用到TensorFlow Lite平台。
(2)TensorFlow Lite Converter
TensorFlow Lite转换器,可以将TensorFlow平台的模型转换为适用于TensorFlow Lite的文件格式。
图1 TensorFlow Lite 平台架构
2 实验
2.1 开发环境搭建
本文实验基于windows 10系统,开发工具使用的是Android App 的官方开发环境Android Studio [4]
,
版本为NDK 版本均符合要求,则会顺利编译成功。如果遇到编译失败,可以对照错误日志进行检查和修复。编译通过后,点击“Run”安装并运行Demo。由于Demo 运行时需要调用相机功能,而模拟器无法满足这一需求,所以我们采用Android 真机进行实验。将Android 手机通过USB 数据线连接到电脑上,然后在手机设置的开发者选项中启用“USB 调试”。完成上述设置后,点击“Run”并在弹出对话框中选择对应的Android 设备,
即可成功运行Demo。
2.3 实验结果
本文实验中Android 真机选用的是小米Note3。TensorFlow Lite Demo 展示的是物体识别功能,我们选取了10种常见物体,每种物体以随机拍摄视角进行3次识
别,通过物体的识别准确率和识别速度来衡量TensorFlow Lite 的性能表现。识别过程界面如图3所示。
图3 不同视角识别过程界面
通过表1和表2数据可以看出,TensorFlow Lite 对于生活中常见物品的识别,在识别准确率和识别速度上均有不错的表现,可以较好地满足
用户需求并且具有良好的用户体验。
图2 Android SDK 设置示意图
(下转第85页)
(FOD)。一般有四种措施可使用:第一,检测无线充电发射器线圈和充电表面的温度,当温度超过预设的限值后终止功率发送。
第二,检测无线充电发射器线圈端的电压或电流讯号,当其幅值超过预设的限值后终止功率发送。第三,谐振偏移法,系统建立功率传输前,在无线充电发射器谐振网路的自
参考文献
[1]《Qi wireless power specification V1.2.4》WPC,2018.3.
[2]《ISO7637-2,2004》ISO, 2004.6.
[3](美)马尼克塔拉(Maniktala,S.)著,王健强等译. 精通
开关电源设计(第二版)[M].北京:人民邮电出版社, 2015.1 ISBN 978-7-115-36795-2.
表1 物体识别准确率
物体名称识别准确率平均值杯子91%89%94%91.3%
鼠标100%100%100%100%
键盘92%94%97%94.3%
手表93%96%90%93%
苹果87%86%89%87.3%
香蕉100%95%94%96.3%
眼镜79%70%72%73.7%
手机91%88%93%90.7%
剪刀76%85%79%80%
鞋子93%92%91%92%表2 物体识别速度
物体名称识别速度平均值杯子78 ms80 ms81 ms79.7 ms 鼠标80 ms76 ms78 ms78 ms 键盘80 ms81 ms80 ms80.3 ms 手表81 ms80 ms80 ms80.3 ms 苹果83 ms81 ms80 ms81.3 ms 香蕉80 ms83 ms81 ms81.3 ms 眼镜81 ms80 ms80 ms80.3 ms 手机82 ms80 ms80 ms80.7 ms 剪刀82 ms84 ms81 ms82.3 ms 鞋子80 ms81 ms80 ms80.3 ms 3 总结
本文主要对TensorFlow Lite开发平台进行了研究分析,包括其框架结构、平台特点等。此外,本文还进行了性能实验来评估TensorFlow Lite的性能表现。TensorFlow Lite自2017年11月发布至今,仍在不断地完善和更新。正如谷歌官方所言,TensorFlow Lite 正处于“积极开发”状态。虽然目前只有少量几个预训练AI模型面世,但我们有理由相信谷歌公司会“积极开发”,发布功能更为完善、模型更加丰富的新版本TensorFlow Lite。
参考文献
[1]苏若祺.人工智能的发展及应用现状综述[J].电子世
界,2018(03):84+86.
[2]袁宏.分析移动通信终端发展趋势[J].通讯世
界,2015(17):24-25.
[3]章敏敏,徐和平,王晓洁,周梦昀,洪淑月.谷歌
TensorFlow机器学习框架及应用[J].微型机与应tensorflow版本选择
用,2017,36(10):58-60.
[4]孟宪宇,高婕,曾垂振.浅谈Android开发环境搭建[J].
科技资讯,2018,16(08):1+5.
(上接第65页)
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。
发表评论