Convolutions Kina Separable
Ubadilishaji wa kina unaoweza kutenganishwa huchangia ubadilishaji wa kawaida katika hatua mbili za bei nafuu, na kupunguza idadi ya kuzidisha na vigezo.
Muhtasari
They are the trick that lets neural networks run on phones and edge devices without melting the battery.
Dive ya kina
Ubadilishaji wa kawaida huchanganya taarifa katika nafasi na chaneli katika operesheni moja mnene, ambayo ni ghali. Ubadilishaji wa kina unaoweza kutenganishwa unagawanya hii katika hatua mbili. Kwanza, hatua ya kina itatumia kichujio kimoja kidogo kwa kila chaneli ya kuingiza data kwa kujitegemea, ikinasa ruwaza za anga ndani ya kila chaneli lakini kamwe haichanganyi chaneli. Pili, hatua ya uhakika hutumia ubadilishaji wa 1x1 kuchanganya chaneli kwenye kila pikseli, kuchanganya taarifa za kituo bila kuangalia majirani. Kwa kutenganisha uchujaji wa anga kutoka kwa kuchanganya channel, jumla ya compute hupungua kwa kasi, mara nyingi kwa mara 8 hadi 9 kwa chujio cha 3x3, na hasara ndogo tu ya usahihi. Uainishaji huu ndio uti wa mgongo wa MobileNet na Xception.
Ufahamu wa Kiufundi
Kwa 3x3 punje ya ramani ya njia za ingizo za M hadi matokeo ya N juu ya ramani ya kipengele, ubadilishaji wa kawaida hugharimu takriban mara 9 M mara N N kuzidisha-ongezi kwa kila eneo. Toleo linaloweza kutenganishwa linagharimu mara 9 M kwa sehemu ya kina pamoja na M mara N kwa 1x1 ya uhakika. Uwiano ni takriban 1/N + 1/9, kwa hivyo kwa N kubwa uokoaji unakaribia 1/9 kipengele cha anga.
Athari za kimkakati
Cost and budget
Maamuzi ya usanifu huendesha utendaji na gharama ya uendeshaji kwa miaka.
Maamuzi ya wazi zaidi
Elimu ya kiufundi husaidia timu kuchagua safu sahihi, sio tu mpya zaidi.
Quality control
Chaguo bora za uhandisi hupunguza matukio ya kuaminika katika uzalishaji.
Mustakabali wa Mageuzi Yanayotenganishwa Kina
Miongozo inayoweza kutenganishwa kwa kina inasalia kuwa msingi wa miundo bora ya kuona na inazidi kuonekana katika miundo mseto ya kibadilishaji badilisha cha CNN kama vile vizuizi vya MobileViT na ConvNeXt. Kadiri AI ya kifaa inavyoongezeka, viongeza kasi vya maunzi vinaongeza usaidizi asilia kwa ops za kina. Tarajia matumizi endelevu katika maono ya wakati halisi, vitambuzi vinavyoweza kuvaliwa, na mpangilio wowote ambapo muda wa kusubiri, kumbukumbu, na bajeti za nishati ni finyu, mara nyingi hujumuishwa na utaftaji wa idadi na usanifu wa neva.
Utekelezaji wa Ulimwengu Halisi
MobileNet na MobileNetV2 huzitumia kuendesha uainishaji wa picha moja kwa moja kwenye simu mahiri zilizo na utulivu mdogo
Mgawanyiko wa picha wa wakati halisi na ukungu wa mandharinyuma katika programu za kupiga simu za video hutegemea uti wa mgongo unaoweza kutenganishwa.
Utambuzi wa kitu kilicho kwenye kifaa katika kamera za usalama na drones, ambapo nguvu na kompyuta ni chache
Xception inazitumia kwa kiwango ili kusukuma usahihi wa ImageNet wakati wa kudhibiti hesabu ya vigezo
Hatari & Walinzi
Kuboresha kiwango kimoja kunaweza kuficha udhaifu mkubwa wa mfumo.
Gharama za miundombinu na matengenezo mara nyingi hupunguzwa.
Mapengo ya usalama na uonekanaji yanaweza kukua kadiri mifumo inavyozidi kuwa ngumu.
Ramani ya Utekelezaji
Bainisha muda, ubora na malengo ya gharama kabla ya utekelezaji.
Benchmark chini ya mzigo halisi na hali ya data.
Ufuatiliaji wa ala kwa makosa, kuteleza, na athari za mtumiaji.
Tayarisha njia za urejeshaji na majibu ya matukio kabla ya kuongeza ukubwa.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Depthwise Separable Convolutions quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Convolutions Deformable
Maswali yanayoulizwa mara kwa mara
What is Depthwise Separable Convolutions?
Ubadilishaji wa kina unaoweza kutenganishwa huchangia ubadilishaji wa kawaida katika hatua mbili za bei nafuu, na kupunguza idadi ya kuzidisha na vigezo. Ni ujanja unaoruhusu mitandao ya neural kuendesha kwenye simu na vifaa vya makali bila kuyeyusha betri.
Je, ni hatua zipi mbili ambazo upitishaji unaoweza kutenganishwa kwa kina unagawanya ubadilishaji wa kawaida kuwa?
Hatua ya kina huchuja kila chaneli kikiwa peke yake, na hatua ya 1x1 kisha huchanganya taarifa kwenye vituo.
Katika hatua ya kina, njia za kuingiza data zinatibiwaje?
Ubadilishaji wa kina hutumia kichujio tofauti cha anga kwa kila chaneli ya uingizaji bila kuchanganya chaneli, ambayo ndiyo inafanya iwe nafuu.
Takriban ubadilishaji unaoweza kutenganishwa wa 3x3 kwa kina unaweza kupunguza hesabu ikilinganishwa na ubadilishaji wa kawaida wa 3x3 na chaneli nyingi za matokeo?
Kwa kerneli 3x3 uwiano wa akiba hukaribia 1/9 wakati idadi ya chaneli za kutoa ni kubwa, ikitoa takribani 8 hadi 9 operesheni chache.
Je, ni jukumu gani la ubadilishaji wa maana (1x1) katika muundo huu?
Mbadilishano wa 1x1 kwa uhakika huchanganya chaneli katika kila pikseli, ambayo hatua ya kina iliepukwa kufanya.
Je, ni usanifu gani unaojulikana ulieneza mienendo inayoweza kutenganishwa kwa kina kwa vifaa vya rununu?
MobileNet iliundwa kwa kuzunguka kwa kina kinachoweza kutenganishwa haswa ili kuwezesha uelekezaji bora kwenye simu.