TensorFlow Dev Summit rekaman sesi ) diumumkan. Mereka termasuk akselerasi delegasi GPU (2-7x lebih cepat vs CPU), dokumentasi yang diperluas dan code lab baru yang menunjukkan cara menggunakan model TensorFlow Lite di Android. Postingan ini menyoroti beberapa pengumuman ini dan juga merangkum beberapa percakapan menarik yang saya lakukan dengan developer.
Akselerasi GPU menghadirkan ML pada-perangkat ke banyak orang
Tajuk machine learning sering kali berfokus pada terobosan terbaru mengenai perangkat terbaru dan paling kuat. Untuk developer seluler, yang sebenarnya paling penting adalah mampu memberikan pengalaman pengguna yang baik di berbagai ponsel. Itulah sebabnya developer Android yang saya ajak bicara sangat bersemangat tentang seberapa besar delegasi GPU TensorFlow Lite eksperimental baru bisa mempercepat inferensi (menjalankan model ML) pada perangkat dengan OpenGL ES 3.1, yang diperkenalkan sebagai bagian dari Android API Level 21 (Lollipop).masukan komunitas developer tentang bagaimana ini bisa semakin ditingkatkan. Selain itu, tim sedang bekerja untuk segera membuatnya open source. Detail selengkapnya bisa dibaca di entri blog peluncuran delegasi GPU .
Dokumentasi yang diperluas dan contoh Android baru
Tim TensorFlow memperluas dokumentasi mereka sebagai bagian dari rilis alfa TensorFlow 2.0. Favorit pribadi saya adalah bagian contoh TensorFlow Lite yang baru. Di sini Anda akan menemukan berbagai contoh Android (dan iOS) untuk mengintegrasikan berbagai jenis model termasuk deteksi objek dan pengenalan ucapan . Sebelum contoh ini ada, tugas-tugas seperti transformasi gambar (untuk menggambar hasil analisis di atas gambar kamera) bisa rumit diterapkan. Sekarang lebih mudah. Misalnya, contoh deteksi objek dilengkapi dengan kode pelacak dan utilitas gambar untuk transformasi umum.Contoh TensorFlow Lite
TensorFlow Lite, ML Kit dan NNAPI
Google menyediakan berbagai macam produk developer machine learning pada-perangkat. Bagi kebanyakan developer, dua titik awal untuk memulai adalah:
ML Kit Base API jika salah satu model pada-perangkat Google, seperti pengenalan teks, deteksi wajah, dll. (daftar model yang didukung ), sesuai dengan kebutuhan Anda, atauTensorFlow untuk menggunakan model lain yang sudah dilatih sebelumnya atau untuk membangun dan melatih model Anda sendiri
Jika Anda ingin menggali lebih dalam tentang cara menggunakan TensorFlow (dan fitur ML lainnya), berikut adalah ringkasan yang lebih terperinci tentang opsi pengembangan Anda (dalam urutan kompleksitas):
Gunakan model Google yang sudah dilatih sebelumnya (mis. deteksi wajah) — ML Kit Base API
Gunakan model lain yang sudah dilatih sebelumnya— Developer bisa menggunakan model TensorFlow Lite yang sudah dilatih sebelumnya, seperti estimasi pose (deteksi tubuh dan anggota badan) dan segmentasi gambar (orang vs latar belakang)
Buat model kustom Anda sendiri:
Melatih model kustom — TensorFlow
Mengonversi dan menjalankan model yang sudah jadi pada perangkat Android / iOS / IoT — TensorFlow Lite
Menayangkan model TensorFlow Lite yang sudah dikonversi ke pengguna akhir — penayangan model Kustom ML Kit
Semua produk ini bekerja bersama untuk memberikan pengalaman end-to-end bagi developer. Misalnya, ML Kit Base API menggunakan model TensorFlow Lite di belakang layar untuk memberikan model terlatih Google ke aplikasi Anda. Ketika model TensorFlow Lite ini berjalan di perangkat seluler, kinerjanya ditingkatkan melalui NNAPI.
Kasus-penggunaan yang baru, pada-perangkat
Perluasan kemampuan TensorFlow pada-perangkat memberikan peluang baru bagi developer seluler dalam dua cara:
1. Menjalankan model yang lebih kuat pada-perangkat
contoh deteksi objek di mana model tidak hanya mendeteksi objek tetapi juga menampilkan lokasi objek dalam gambar.
2. Seluler sebagai perangkat ML serbaguna
Selama bertahun-tahun, ada harapan bahwa perangkat Internet of Things (IoT), seperti mesin industri atau gadget smart home, dapat membawa ML ke birai internet . Ini semakin terdorong dengan diperkenalkannya Edge TPUs di Dev Summit. Menariknya bagi saya adalah bahwa perangkat IoT ini cenderung bertujuan tunggal — mis. menyortir ukuran alpukat, atau mengatur suhu ruangan yang nyaman. Ini adalah jenis kasus penggunaan amat penting yang telah dipikirkan industri untuk waktu yang lama.
Cara terbaik untuk belajar adalah mencoba
Banyak peserta yang saya temui lebih terbiasa memikirkan ML dalam istilah superkomputer, bukan seluler. Mereka sangat bersemangat melihat platform baru yang menyediakan machine learning pada-perangkat dan menjanjikan penemuan baru yang akan segera datang.
Agen Judi Online
ReplyDeleteAgen Judi Bola Online
Situs Judi Bola Online
Agen Poker Online Terpercaya
Situs DominoQQ Online Terpercaya
Situs Poker Online Terpercaya 2019
Situs Poker Online Uang Asli
Pkv Games
Bandar Poker
Agen Pkv
http://duitpoker.me
Bandar66
Agen DominoQQ
Avengers: Endgame Online Free - 123Movies
ReplyDeleteAvengers: Endgame 123movies
ReplyDeleteAvengers: Endgame putlocker
ReplyDeleteAvengers: Endgame fmovies
Avengers: Endgame yesmovies
Avengers: Endgame solarmovie
Avengers: Endgame gomovies
Avengers: Endgame full movie
Avengers: Endgame watch online
poker uang asli
ReplyDeletepoker online terbaik
situs judi online
judi online
Winning303 Situs Judi Online Terbaik
ReplyDeleteSelmat berktivitas buat anda pengemar judi online. Anda bosan dengn rate kemenangan yang begitu kecil dari situs-situs lainnya? Itu pertanda anda harus pindah haluan ke Winning303. Karena kami menjamin kemenangan setiap member-member kami bosku.
Jadi tunggu apa lagi Hubungi kami di :
WA : 0877 8542 5244
atau langsung di Livechat kami di www(titik)winning303(titik)org
>>>DAFTAR<<<
Winning303