自從 AutoML Vision 早期 alpha 時，我就非常期待這個功能，並且申請成為 early trusted tester。但在正式推出之後卻一直沒有把它用在 production。一個很重要的原因是，訓練好的模型沒有辦法在 edge device 離線使用。期間也收到過 Google 的意見回饋調查，有問到是否會希望在 Edge 使用方面的問題。看來很多使用者也有類似的建議，不過坦白說沒有過多的期待。沒想到在 Google Cloud Next 2019 期間就推出了 AutoML Vision Edge (當然是 Beta)! 這篇文章就是說明一下試用的過程，包括使用 AutoML Vision 進行訓練的步驟，以及將訓練好的模型部署到一般的裝置及 TPU 上試著推論 (inference) 看看。
Google 在思考 edge device 這件事時，不僅僅只是把下載模型功能打開，而是從訓練開始思考怎麼調整。怎麼說？訓練一個模型牽涉到很多環節，除了準備資料、調整超參數 (hyperparameters) 之外，有一個很重要的關鍵是要使用什麼樣的模型架構 (model architecture 或 topology)。一般而言，越複雜的模型準確率越高，但需要的運算量越大。大家可能都已經知道， 使用 AutoML Vision 需要提供已經標記的資料集 (labeled dataset)。而 AutoML 會使用 NAS (Neural Architecture Search) 方法試著找到一個 topology 在你的資料上能有較好的表現 (簡單理解就是正確率)。
但表現好的模型，可能不適合在 edge device 執行。因此我們就要取捨，到底我需要比較高的 accuracy，犧牲 latency；或是我需要比較小的 latency (反應更快速)，同時可以接受稍微低的正確率。Google 在這裏的做法是，提供由低精確度 (反應快速) 到高精確度 (反應較慢) 三種不同的 edge model 訓練策略，並把決定權交由開發者自行依據需求評估 。以下就開始介紹整個使用的過程。
以上所述就是小编给大家介绍的《AutoML Vision的雲與端》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
编写可读代码的艺术
Boswell, D.、Foucher, T. / 尹哲、郑秀雯 / 机械工业出版社 / 2012-7-10 / 59.00元
细节决定成败，思路清晰、言简意赅的代码让程序员一目了然；而格式凌乱、拖沓冗长的代码让程序员一头雾水。除了可以正确运行以外，优秀的代码必须具备良好的可读性，编写的代码要使其他人能在最短的时间内理解才行。本书旨在强调代码对人的友好性和可读性。 本书关注编码的细节，总结了很多提高代码可读性的小技巧，看似都微不足道，但是对于整个软件系统的开发而言，它们与宏观的架构决策、设计思想、指导原则同样重要。编......一起来看看 《编写可读代码的艺术》 这本书的介绍吧!
