谷歌发布最新设备上机器学习模型MobileNetV3和MobileNetEdgeTPU

Google针对移动设备以及人工智能运算架构Edge TPU，发布采用AutoML技术优化的机器学习模型MobileNetV3和MobileNetEdgeTPU。在维持相同精确度的情况下，MobileNetV3的运算速度是前一代MobileNetV2的两倍，而MobileNetEdgeTPU模型则是专为Edge TPU架构设计，在机器学习运算的速度、准确度以及功耗效率表现，可比其他模型还要好。

为了同时实现隐私保护、总是可用以及回应式的人工智能功能，Google在移动设备上加入机器学习运算硬件与算法，像是在最近发布的手机Pixel 4中就部署Pixel Neural Core，这是Google Edge TPU人工智能运算架构的实例，提供像是脸部识别解锁、智能助理以及特殊相机功能等应用。除了硬件之外，算法也是机器学习应用至关重要的元素，且因为移动设备不像是云计算服务器，有着理论上无限的运算能力，因此设备上的模型需要有具压缩且有效率的特性。

Google现在发布的两个最新设备上机器学习模型，在性能与功耗表现都获得进展。MobileNetV3与之前由人工设计的MobileNet不同，Google使用AutoML技术，为手机计算机视觉任务寻找MobileNetV3的最佳架构，而且为了在不同条件都可以提供最佳性能，Google同时产出大与小两种模型。

（下图左）以小型模型来看，在设备Pixel 4中，绿线MobileNetV2要达到与蓝线MobileNetV3相同的精确度65.4％，MobileNetV2延迟达10ms，而MobileNetV3延迟则只有5ms。而在（下图右）可看到，蓝线大型MobileNetV3模型与绿线MobileNetV2的比较，当MobileNetV3达75％的精确度与MobileNetV2达70％的精确度时，所产生的延迟均为20ms，明显的MobileNetV3性能比起前一代提升不少。

除了分类模型之外，MobileNetV3还加入对象侦测模型，在COCO数据集中使用相同精确度，MobileNetV3比MobileNetV2的侦测延迟少了25％。

另一个Google发布的机器学习模型MobileNetEdgeTPU，则是专为Pixel 4中的Edge TPU设计，Google提到，Pixel 4中的Edge TPU架构与Coral产品系列中的Edge TPU板相似，但是有为手机上的相机进行调整。Google同样也应用了AutoML方法，为机器学习模型MobileNetEdgeTPU进行优化。

MobileNetEdgeTPU在硬件Edge TPU中有着极佳的延迟表现以及精确度，与MobileNetV2和极简型MobileNetV3相比，在固定延迟的情况下，MobileNetEdgeTPU能提供更高的精确度（下图），而且花费的功耗更少，在相同精确度下，MobileNetEdgeTPU使用的功耗不到极简型MobileNetV3的50％。