pq labs magicai讓cpu玩得轉(zhuǎn)人工智能

2019年03月15日 15:10作者：黃頁編輯：

分享

pq labs (上海品奇數(shù)碼科技有限公司)在 ces 2019 展會發(fā)布的 magicai 技術(shù)擁有非?？斓倪\行速度：可以在 intel i7 處理器上，以 718 fps 的幀率運行 物體識別 程序而無需降低識別精度，而在同樣 cpu 上直接運行 tiny yolo 則僅僅有 3.6 fps 的幀率。magiai(tiny magic yolo)的計算速度達到了 intel mkl 的199倍，甚至達到了經(jīng)過 gpu (titan x / 1080ti) 加速的 tiny yolo 3.5倍的運行速度。

為人工智能而生的新物種

magicai 技術(shù)的設(shè)計和開發(fā)是從深度學習最底層的數(shù)學基礎(chǔ)開始的，所有數(shù)學運算都被重新優(yōu)化設(shè)計，重新封裝在一個叫做 “magiccompute” 的運算庫內(nèi)，以替代 nvidia cuda，cudnn 及 intel mkl，并實現(xiàn)運行速度的提升。例如， “卷積運算” (所有深度學習模型的基礎(chǔ)運算)由 “magicconvolution” 來執(zhí)行，就可以獲得性能的飛速提升。

magicai 的運行速度提升同樣來自于其獨特的骨干網(wǎng)絡(luò)優(yōu)化，運行速度要比 mobilenet v2、shufflenet v2 等輕量化模型更快，并且準確度更高。

magicai 從設(shè)計之初就與眾不同，目前人工智能的產(chǎn)業(yè)界和學術(shù)界依然沿用深度學習技術(shù)在其非常早年間定義下來的訓練方式，嚴重依賴基于imagenet classification 的訓練和調(diào)優(yōu)，然后再使用 imagenet 的模型作為預(yù)訓練模型，通過 “知識遷移” 來訓練并獲取其他任務(wù)的能力(比如物體識別)。

這種傳統(tǒng)模式在過去并沒有什么問題，但是 magicai 的做法有所不同，我們認為 對 imagenet classification 的調(diào)優(yōu)并不是最優(yōu)解，有時優(yōu)秀的 classification 結(jié)果反而會對其他任務(wù)的精度帶來負面影響。 magicai 選擇重新設(shè)計新的訓練方式來解決這個問題，這進一步提升了 magicai 的準確率和計算效率。

magicai支持現(xiàn)有的模型和框架

magicai 技術(shù)新穎且速度飛快，但是這并不意味選擇 magicnet 就意味著放棄在現(xiàn)有的技術(shù)模型(tensorflow, caffe, pytorch等)上花費的時間和精力。magicnet 可以向后兼容，支持已有的模型，無需重新訓練或編程，就可以讓現(xiàn)有模型運行的更快。

轉(zhuǎn)載請注明出處。