上学笔记TF067

上学笔记TF067

TensorFlow Serving https://tensorflow.github.io/serving/

养环境灵活、高性能机器上型服务系列。适合因实际数目流年行,暴发五只模型操练过程。可用以支付环境、生产条件。

范生命周期管理。模型先数据训练,渐渐来起头模型,优化模型。模型多重算法试验,生成模型管理。客户端(Client)向TensorFlow
Severing请求模型,TensorFlow Severing重回适当模型给客户端。TensorFlow
Serving、gRPC(Google公司起始源高性能、跨语言RPC框架),提供跨语言RPC接口,不同编程语言都足以拜模型。

TensorFlow Serving代码 https://hithub.com/tensorflow/serving
。源代码Bazel编译安装
https://github.com/tensorflow/serving/blob/master/tensorflow\_serving/g3doc/setup.md
,Docker安装。https://www.tensorflow.org/serving/setup 。结合TensorFlow
Serving,磨炼好模型,创设Docker镜像,推送至Google Container Registry
https://cloud.google.com/container-registry/docs/
。模型在Google云平台(Google Cloud
Platform)运行。Kubernetes成功安排模型服务。Serving Inception Model with
TensorFlow Serving and Kubernetes
https://tensorflow.github.ic/serving/serving\_inception 。Google ML
Engine,全托管TensorFlow平台,磨练模型一键转换预测服务。

TensorFlow Flod https://github.com/tensorflow/fold ,《Deep Learning
with Dynamic Computation Graphs》https://openreview.net/pdf?id=ryrGawqex
。深度上过程,模型磨练多少预处理,不同结构数据剪裁成相同维度、尺寸,划分成批,进入磨练流程。静态图模型,缺点,输入数据不可以一般先处理,模型针对不同输入数据建立不同总计图(computation
graph)分别磨练,没有充足利用处理器、内存、高速缓存。
TensorFlow
Fold(现在尚发生了Eager形式,可以相比较上),依据不同结构输入数据建立动态统计图(dynamic
computation),依照每个不同输入数据建立不同总括图。动态批处理(dynamic
batching)自动组合总括图,实现输入数据中批处理,批处理单个输入图内不同节点,不同输入数据里面批处理,批处理不同输入图间运算。可插入附加指令以不同批处理操作间移动多少。简化模型锻炼等输入数据预处理过程。CPU模型运行速度增长10倍以上,GPU提升100倍。

TensorFlow总计加速。GPU设备,XLA
框架融合OP,分布式总计、参数有分布至不同机器,硬件计算,CPU更高级命令集SSE、AVX,FPGA编写协助TensorFlow总结单元。
CPU加速。pip命令安装,与重广大机器兼容,TensorFlow默认仅于x86机器使用SSE4.1
SIMD指令。源代码安装好赢得最深性,开启CPU高级指令集帮助。bazel
构建只可以当和谐机器运行二进制文件。

bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma
–copt=-mfpmath=both –copt=-msse4.2 –copt=-cuda -k
//tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package
/tmp/tensorflow_pkg

在/tmp/tensorflow_pkg发生whell文件,再就此pip命令安装wheel文件。

TPU 加速、FPGA加速。
GoogleTensorFlow设计专用集成芯片-张量处理单元(Tensor Processing
Unit,TPU)。CPU逻辑运算(if
else)能力卓殊强,总计能力比GPU差,深度上要海量统计。GPU有强有力浮点总结单元,GPU着色器(shader)对平批数量以平等步调执行同样指令流水。GPU同一时钟周期执行令数量千级,3000漫长。CPU同一时钟周期执行令数据几十层。数据交互能力极为超CPU。GPU逻辑运算能力不等,流水线并行能力(同一时钟周期起执行不同逻辑体系能力)差,需要批数量并调整执行同一逻辑。神经网络需要大数据交互能力,CNN卷积、矩阵运算操作,通过数据交互大幅提高性能。
GPU出厂后搭固定,硬件原生帮忙指令固定。如神经网络有GPU不襄助指令,不可以直接硬件实现,只可以软件模拟。FPGA加速,开发者在FPGA里编程,改变FPGA硬件结构。FPGA连串布局不同,不是冯·诺伊曼结构,是代码描述逻辑电路。只要片及逻辑门、引脚够多,全体输入、运算、输出都当一个时钟周期内成功。FPGA一个时钟周期执行同样潮全部发热好电路,一个模块就同句子超复杂“指令”,不同模块不同逻辑系列,体系里就是同一长指令。不同运算单元硬件直连,数据交互、流水线并行共存(GPU流水线并行能力约0),浮点运算能力不设GPU。适合低顺延预测推理,每批大小相比小。
TPU,专用集成电路(application specific integrated
circuit,ASIC),硬件逻辑一旦烧写不可再编程,专门为TensorFlow做深上开发。TPU近来本不可知全体运作TensorFlow效用,高效预测推理,不干训练。

机上评测系统。

人脸识别性能目的。
分辨性能,是否鉴别准确。Top-K识别率,给闹前K个结果包含对结果概率。错误拒绝辨识率(FNIR),注册用户被系统错误辩识为外注册用户比重。错误受辩识率(FPIR),非注册用户给系统识别为某某注册用户比重。
征性能,验证人脸模型是否充分好。误识率(False Accept
Rate,FAR),将其旁人误作指定人员概率。拒识率(False Reject
Rate,FRR),将点有名的人士误作其外人士概率。识别速度,识别一合乎人脸图像时、识别一个总人口时。注册速度,注册一个总人口日子。

拉机器人性能目标。
答疑正确率、任务完成率、对话回合数、对话时、系统平均响应时间、错误新闻率。评价为主单元,单轮对话。人机对话过程,连续经过。http://sanwen.net/a/hkhptbo.html
《中国人工智能学会通讯》2016年第6窝第1目的在于。聊天机器人,机器人答句和用户问句应该语义一致,语法正确,逻辑是。机器人答句以有趣、多样,不是直发安全应对。机器人应该个性表达相同,年龄、身份、出生地基本背景信息、爱好、语言风险当亦然,能设想变为一个一流人。

机翻译评价情势。
BLEU(bilingual evaluation
understudy)方法,2002年,IBM沃森探究中心提议。机器翻译语句与人类专业翻译语句越接近越好。下人工评价低度相关。正确句子作参照译文(reference)、正确句子(golden
sentence),测试句子作候选译文(candidate)。适用测试语料具有多独参考译文。相比较参考译文与候选译文相同片段数量,参考译文连续出现N元组(N个单词或字)与候选译文N元组相比较,n单位部分(n-gram)相比较。总括了匹配N元组个数和参考译文N元组总个数比例。与职务无关。匹配片段数越多,候选译文质料越来越好。
METEOR,不仅要求候选译文在合句子上,在句子分段级别达,都要同参考译文更仿佛。https://en.wikipedia.org/wiki/METEOR\#Algorithm
。在需要评字符串与参考文符串间创设平面图。待评翻每个一元组必须映射到参考翻译1个或0个一元组。采纳映射交叉数据比少的。

常用通用评价目标。
准确率、召回率、F值、ROC、AUC、AP、mAP。
ROC(Receiver Operating Characteristic,受试者工作特色曲线)、AUC(Area
Under roc Curve,曲线上面积),评价分类器目的。ROC曲线横坐标FPR(False
positive rate),纵为标TPR(True positive
rate)。ROC曲线越接近左上角,分类器性能进一步好。AUC,ROC曲线下点积大小。ROC曲线处于y=x直线上,AUC值介于0.5个人档案,~1.0。AUC值更老表示性能更好。专门AUC总计工具
http://mark.goadrich.com/programs/AUC/
AP(average precision,平均准确性)、mAP(mean average
precision,平均准确性平均)。总计机视觉,分类问题,AP模型分类能力要目标。只用P(precision
rate, 准确率)和R(recall
rate,召回率)评价,组成PR曲线趋势召回率越强准确率越小。AP曲线下边积,等于对召回率做积分。mAP对拥有项目取平均,每个接近作同样浅第二分类任务。图像分类杂文基本用mAP标准。

当面数据集。

图片数集。
ImageNet http://www.image-net.org/
。世界最特别图像识别数据集,14197122摆设图像,北卡罗来纳教堂山分校大学视觉实验室终身教书李飞飞创设。每年ImageNet大赛是国际总括机视觉一级赛事。
COCO http://mscoco.org/
。微软创设,分割、加字幕标注数据集。目的细分,通过上下文进行鉴别,每个图像包含五只目标靶,超越300000图像,领先2000000实例,80种植对象,每个图像包含5独字幕,包含100000个人要点。
CIFAR(Canada Institude For Advanced Research) https://www.cifar.ca/
。加拿大先进技术探究院采集。8000万聊图数集。包含CIFAR-10、CIFAR-100两只数据集。CIFAR-10,60000张32×32
RGB彩色图片,共10个类型,50000摆放磨炼,10000布置测试(交叉验证)。CIFAR-100,60000摆设图像,100只项目,每个门类600摆图像,500摆训练,100摆测试。20个老类,每个图像包含小类、大门类两单记号。

人口脸数据集。
AFLW(Annotated Facial Landmarks in the Wild)
http://lrs.icg.tugraz.at/research/aflw/
,从Flickr收集带标注面部图像大规模wyskwgk,各种姿态、表情、光照、种族、性别、年龄因素影响图片,25000万手工标注人脸图片,每个人脸标注21只特征点,大多数五颜六色,59%女,41%男。相当适合人脸识别、人脸检测、人脸对伙同。
LFW(Labeled Faces in the Wild Home) http://vis-www.cs.umass.edu/lfw/
。米国缅因大学阿姆斯特分校统计机视觉实验室整理。13233摆设图片,5749人口,4096人口只有生雷同摆图纸,1680独多吃平张。用于探讨不受限意况人脸识别问题。人脸外形不安宁,面部表情、观望角度、光照条件、室内室外、遮盖物(口罩、眼镜、帽子)、年龄影响。为学术界评价识别性标准(benchmark)。
GENKI http://mplab.ucsd.edu
,新罕布什尔大学采集。包含GENKI-R2009a、GENKI-4K、GENKI-SZSL。GENKI-R2009a,11159图形。GENKI-4K,4000图形,笑与不笑两看似,每个图片人脸姿势、头转动标注角度,专用笑脸识别。GENKI-SZSL,3500图像,广泛背景、光照条件、地理地方、个人身份、种族。
VGG Face http://www.robots.ox.ac.uk/~vgg/data/vgg\_face/
。2622个不等人,每个人1000布置图纸,练习人脸识别大数据集。
CelebA(Large-scale CelebFaces Atributes,大规模有名的人人脸标注数据集)
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
。10177只名士,202599布置有名的人图像,每张图像40独特性标注。

视频数据集。
YouTube-8M https://research.google.com/youtube8m/
。800万单YouTube视频URL,50万时长度录像,带有视频标注。

问答数据集。
MS MARCO(Microsoft Machine Reading Comprehension) http://www.msmarco.org
。微软颁发,10万只问题跟答案数据集。创立像人类同看、回答问题系统。基于匿名真实数据构建。
康奈尔大学影视独白数据集
https://www.cs.cornell.edu/~cristian/Cornell\_Movie-Dialogs\_Corpus.html
。600部好莱坞影片独白。

活动驾驶数据集。
高卢鸡国家消息与自动化钻探所旅客数据集(INRIA Person Dataset)
http://pascal.inrialpes.fr/data/human/
。作为图像及录像被直立人检测探究工作片搜集。图片两栽格式,一享相应注释文件原始图像,二具老图像经过专业处理64×128如素正像。图片分单发生车、唯有人、有车有人、无车无论人4单门类。
KITTI(Karlsruhe Institute of Technology and Toyota Technological
Institute) http://www.cvlibs.net/datasets/kitti/
。车辆数据集,7481个教练图片、7518单测试图。标注车辆体系、是否截断、遮挡情形、角度值、二维和三维框、地方、旋转角度。

年龄、性别数据集。
Adience 数据集 http://www.openu.ac.il/home/hassner/Adience/data.html
。来源Flickr相册。用户之所以智能手机设备拍摄,2284类型,26580摆放图片。保留光照、姿势、噪声影响。性别、年龄臆想、人脸检测。

参考资料:
《TensorFlow技术解析及实战》

欢迎推荐新加坡机上工作会,我的微信:qingxingfengzi

admin

网站地图xml地图