Сверточные нейронные сети широко используются для классификации изображений, распознавания лиц и предметов. Однако их работа на мобильных устройствах зачастую сопряжена с серьезными ограничениями. Разработчикам постоянно приходится искать баланс между точностью работы моделей и потребляемыми ресурсами.

В системе MnasNet, которую разработчики описали в статье и блоге, они исследовали возможности подхода Neural Architecture Search для создания мобильных моделей при помощи обучения с подкреплением. Чтобы решить проблему скорости, они включили информацию о затратах времени в функцию вознаграждения поискового алгоритма.

За счет этого, уверяют они, получена модель, которая обладает идеальным балансом точности и скорости работы.

Система состоит из трех частей: рекуррентного нейронного контроллера, который изучает и каталогизирует архитектуры моделей; тренажера, который строит и тренирует модели; и механизма логических выводов на TensorFlow Lite, который измеряет скорость моделей.    

Разработчики протестировали свои лучшие модели на базе изображений ImageNet и базе объектов Common Objects in Context (COCO). Результат показал, что они работают в 1,5 раза быстрее, чем новейшая модель MobileNetV2 и в 2,4 раза быстрее, чем NASNet. На выборке COCO модель Google превзошла MobileNet и по скорости, и по точности, затратив в 35 раз меньше вычислительных мощностей, пишет VentureBeat.

«В будущем мы планируем включить больше операций и оптимизаций в пространство поиска и применить их для других задач мобильного зрения, таких как семантическая сегментация», — пишут исследователи Google.

Значительно ускорить работу нейронных сетей позволит новое изобретение ученых Национального института стандартов и технологий США — оптическая нейронная сеть на кремниевом чипе.