嵌入式 AI

?1. 2023年中國人工智能產(chǎn)業(yè)趨勢報告

原文：

http://k.sina.com.cn/article_1716314577_664ce1d1001017mhf.html

1.概述

易觀人工智能AMC模型顯示，圖像分類與圖像語義分割類應用已經(jīng)較為成熟且有著較為穩(wěn)定的市場空間，文本處理、語音識別與雙模態(tài)等應用正逐漸實現(xiàn)對于市場的滲透。強化學習、因果學習、語言大模型等相關(guān)應用通過技術(shù)的迭代成功走出實驗室，正不斷摸索其商業(yè)模式。圖神經(jīng)網(wǎng)絡、多模態(tài)泛化與自監(jiān)督學習等應用正加速跨越從試驗研發(fā)到產(chǎn)業(yè)落地的難關(guān)，對擴散模型、量子AI、具身智能等的研究也將孕育智能程度更高、通用性更強的應用。建議短期關(guān)注處于市場啟動期與高速發(fā)展期之間的應用成熟情況，長期關(guān)注處于探索期與市場啟動期的應用研發(fā)進展。

2.基礎(chǔ)設施篇

趨勢1

人工智能發(fā)展需求將快速提升數(shù)據(jù)眾包產(chǎn)業(yè)規(guī)模與專業(yè)性

趨勢2

我國將形成芯片-人工智能產(chǎn)業(yè)內(nèi)循環(huán)

趨勢3

加速對邊緣智能的探索需不同類型參與方進行緊密合作

3.算法模型篇

趨勢4

文本-圖像生成模型將出現(xiàn)針對細分領(lǐng)域需求的定制化產(chǎn)品

趨勢5

大規(guī)模語言模型在專業(yè)領(lǐng)域的商業(yè)化方向仍需持續(xù)探索

趨勢6

強化學習應用或?qū)⒃诳蒲信c產(chǎn)業(yè)研發(fā)領(lǐng)域率先商業(yè)化

趨勢7

圖神經(jīng)網(wǎng)絡各類應用的商業(yè)價值均將大幅提升

趨勢8

擴散模型將在年內(nèi)應用于設計、建筑、廣告等行業(yè)

4.產(chǎn)業(yè)應用篇

趨勢9

產(chǎn)業(yè)界將出現(xiàn)更多結(jié)合算法模型原理進行設計的智能化應用

趨勢10

科研人工智能作為國家戰(zhàn)略其重要性將進一步提升

趨勢11

智能設備在工業(yè)領(lǐng)域的應用滲透率將快速提升

趨勢12

消費領(lǐng)域?qū)π袆虞o助的需求或?qū)⒋龠M相關(guān)智能設備先行發(fā)展

2. ChatGPT API 今日正式發(fā)布，中國廠商往何處去？

原文：

https://mp.weixin.qq.com/s/ClhnJZkU1P9cEGfJ7CZDHA

價格一折

OpenAI在官網(wǎng)發(fā)布，ChatGPT 向外界開放了API，并且開放的是已經(jīng)實裝應用到 ChatGPT 產(chǎn)品中的 “gpt-3.5 - turbo” 模型，可以說是拿出了壓箱底的招牌武器。不僅如此，在定價上，OpenAI 僅收取每1000個 token 0.002美元的價格，是原先 GPT-3.5 模型價格的1/10。價格之低，令不少業(yè)者大跌眼鏡，以為自己小數(shù)點后多看了一個“0”。

此外，OpenAI還推出了另一個新的Whisper API，該API是由人工智能驅(qū)動的語音轉(zhuǎn)文本模型，該模型去年9月推出，并可以通過API進行使用，這也為開發(fā)者提供了更靈活的互動方式。

先前， ChatGPT 有點小貴的價格還令一些使用者頗有微詞，并且前股東馬斯克也曾多次在推特上指責 ChatGPT 閉源的行為，已經(jīng)讓 OpenAI 從一家非盈利公司，變成了微軟控制下的“走狗”。而這次API發(fā)布之人們才發(fā)現(xiàn)，OpenAI 或許真的有著一顆“普惠”的心。

ChatGPT 為什么選擇在今天，以一個如此低廉的價格開放 API？他們直言：通過一系列系統(tǒng)層面的優(yōu)化，12月以來，團隊將 ChatGPT 的成本降低了90%，而這些被節(jié)省了的費用，則可以被團隊用來惠及更多的開發(fā)者。

過去有消息稱，ChatGPT完成單次訓練大概需要一個月的時間，花費1200萬美元左右的成本。而訓練效率的提升，無疑使AI也完成了巨大的“降本增效”。

4天前，OpenAI的創(chuàng)始人——山姆·奧特曼就曾在推特上表示：一種新的摩爾定律馬上即將成為現(xiàn)實——每過18個月，宇宙中的智能數(shù)量就會翻上一番。

此言一出，引得業(yè)內(nèi)爭議不斷。今天看來，或許是為了今天ChatGPT API 的發(fā)布造勢。

在官網(wǎng)中，他們寫道：“開發(fā)者們現(xiàn)在可以在他們的App和產(chǎn)品中，通過我們的 API 將 ChatGPT 整合其中。”

中國公司們準備好了嗎？

ChatGPT 開放 API利好開發(fā)者，但對那些新進加入 ChatGPT 賽道的創(chuàng)業(yè)者，此時也被迫感受到了一絲寒意。

入局本就落后于人，少了先發(fā)優(yōu)勢，不少人團隊還沒完全建成，壯志豪言剛剛出口，而抬頭一看，ChatGPT已經(jīng)一騎絕塵，想要望其項背，都還需不少苦工。

而對于大廠，OpenAI 此舉也是敲山震虎——百度、阿里這樣的大廠，想做類ChatGPT 產(chǎn)品，怎么才能做得比本尊更好，投入也更少？

AI科技評論認為，對于中國的廠商來說，ChatGPT 開放 API，也并不全然代表失去了未來生存和盈利的機會。

百度的“文心一言”、阿里的“通義”、華為的“盤古”、IDEA的“封神榜”、瀾舟的“孟子”、智源的“悟道”……在這個賽道上有所積累的玩家不少。技術(shù)層面，他們的路徑并不相同，實力上也各有千秋；如何完成更高效、廉價、貼合市場的工程化，是擺在他們面前“彎道超車”的絕佳機遇。

從“模型、算力、數(shù)據(jù)、場景”的四個因素角度上來看，大模型的算法壁壘，并沒有外界看來的如此不可逾越，隨著時間推移和研究進步，算法性能很可能逐漸趨同；而算力方面，則是真金白銀的投入，資本和資源的比拼。

如果拋開算法、算力兩大方面，在數(shù)據(jù)和場景上，中國廠商則有很大的優(yōu)勢。

IDEA研究院的講席科學家張家興博士，曾在一次演講中做過類比：投入了數(shù)百名正式員工、上千名標注員，用了3年時間，OpenAI 從 GPT-3 再到 ChatGPT，持續(xù)對一項模型進行修改，并未對模型結(jié)構(gòu)進行過創(chuàng)新。

正如搜索引擎公司，調(diào)用數(shù)萬名員工、數(shù)千標注員，二十年如一日地打磨優(yōu)化，最終只為了將引擎做得至臻至美。

大投入、長堅持，是未來一家成功AI公司，最珍貴的品質(zhì)——若非如此，AI就做不好工程化落地的工作，而這也是中國AI公司面前最大的機會。

在數(shù)據(jù)上，越來越多業(yè)者發(fā)現(xiàn)，要用AI講好中國故事，首先需要的是中國本土原生的數(shù)據(jù)集，這樣才能更貼近中文的使用，也更貼近中國的市場環(huán)境。

如果再聊到政治環(huán)境，數(shù)據(jù)脫敏、以及對于涉黃、違法、涉政內(nèi)容的風險管控，也是大模型工程化落地，所不得不關(guān)注的核心難題。

做數(shù)據(jù)集的收集，中國廠商自然近水樓臺；而到了實際操作中，中國廠商在人力資源和成本上，也相較OpenAI要更有優(yōu)勢。

而尋找場景和技術(shù)產(chǎn)品化，更是中國廠商的強項。文章先前還提到的，那些將 ChatGPT 鏡像做成產(chǎn)品，賺取用戶差價的“掮客”，早在王小川、王慧文宣布入局之前，就以這種思路，賺取到了“ChatGPT”的第一桶金。

要想全民進入AIGC時代，AI產(chǎn)品化的進步，可以說與AI技術(shù)的進步同等重要——技術(shù)不僅要有用，還得“能用”，讓用戶用得舒服。有國內(nèi)巨大市場作為后盾，AI產(chǎn)品一旦起勢，就很容易形成馬太效應，在用戶中形成強大的影響力。

ChatGPT如同一只鲇魚鉆進了池子，用風卷殘云之勢攪動乾坤。面臨如此強敵，中國的競爭者們也必須動起來，才能在激烈的競逐中獲得一席之地。

評價這件事時，張家興說道：“OpenAI是一群相信通用人工智能AGI會實現(xiàn)的人，當我們在焦慮如何做出中國ChatGPT的時候，他們已經(jīng)在探索AGI的下一步，同時把當下的成熟技術(shù)推向落地，這才是ChatGPT API發(fā)布這件事情真正的含義。”

3. 微軟亞研院：Language Is Not All You Need

原文：

https://mp.weixin.qq.com/s/n7ziKJeVzEzVB1w1kpsn4g

還記得這張把谷歌AI搞得團團轉(zhuǎn)的經(jīng)典梗圖嗎？

現(xiàn)在，微軟亞研院的新AI可算是把它研究明白了。

拿著這張圖問它圖里有啥，它會回答：我看著像鴨子。

但如果你試圖跟它battle，它就會改口：看上去更像兔子。并且還解釋得條條是道：

圖里有兔子耳朵。

是不是有點能看得懂圖的ChatGPT內(nèi)味兒了？

這個新AI名叫Kosmos-1，諧音Cosmos（宇宙）。AI如其名，本事確實不小：圖文理解、文本生成、OCR、對話QA都不在話下。

甚至連瑞文智商測試題都hold住了。

而具備如此能力的關(guān)鍵，就寫在論文的標題里：Language is not all you need。

多模態(tài)大語言模型

簡單來說，Kosmos-1是一種把視覺和大語言模型結(jié)合起來的多模態(tài)大語言模型。

在感知圖片、文字等不同模態(tài)輸入的同時，Kosmos-1還能夠根據(jù)人類給出的指令，以自回歸的方式，學習上下文并生成回答。

研究人員表示，在多模態(tài)語料庫上從頭訓練，不經(jīng)過微調(diào)，這個AI就能在語言理解、生成、圖像理解、OCR、多模態(tài)對話等多種任務上有出色表現(xiàn)。

比如甩出一張貓貓圖，問它這照片好玩在哪里，Kosmos-1就能給你分析：貓貓戴上了一個微笑面具，看上去就像在笑。

Kosmos-1的骨干網(wǎng)絡，是一個基于Transformer的因果語言模型。Transformer解碼器作為通用接口，用于多模態(tài)輸入。

用于訓練的數(shù)據(jù)來自多模態(tài)語料庫，包括單模態(tài)數(shù)據(jù)（如文本）、跨模態(tài)配對數(shù)據(jù)（圖像-文本對）和交錯的多模態(tài)數(shù)據(jù)。

值得一提的是，雖說“Language is not all you need”，但為了讓Kosmos-1更能讀懂人類的指示，在訓練時，研究人員還是專門對其進行了僅使用語言數(shù)據(jù)的指令調(diào)整。

具體而言，就是用（指令，輸入，輸出）格式的指令數(shù)據(jù)繼續(xù)訓練模型。

關(guān)于更多的細節(jié)，請點擊查看原文。

4. 沒錯！真·14cm制程

原文：

https://mp.weixin.qq.com/s/OW7Rsa3Oz0FcuzLt7oYOIg

兩年時間，一個90后體制內(nèi)小哥下班之后只干三件私務，那就是：

手搓CPU！手搓CPU！還是***手搓CPU！

而這個小哥也不陌生，他名叫林乃衛(wèi)，相信很多讀者之前也看過量子位寫的[《B站焊武帝爆火出圈：純手工拼晶體管自制CPU，耗時半年，可跑程序》

時隔一年半，如今千呼萬喚始出來，就來康康這爆肝兩年的自研CPU終極形態(tài)到底是什么？

“底層邏輯、架構(gòu)、指令集均是自主研發(fā)”

話不多說，直接先來看手搓出來的“CPU終極形態(tài)”的參數(shù)如何：

• 頻率：13kHz，超頻最大33kHz；

• ROM：64kB，支持熱更新，16位ROM尋址、16位靜態(tài)數(shù)據(jù)尋址；

• 內(nèi)存：系統(tǒng)內(nèi)存256B、應用內(nèi)存64kB；

• IO口數(shù)量：78bit（48支持位操作）；

• 103條指令，功耗10瓦。

做成這樣，成本統(tǒng)共算下來只有2000元左右，若是再刨去電烙鐵、示波器這類工具，花在基礎(chǔ)器件上的錢還不到1000塊。

整體性能方面，小哥表示它和70年代初期的CPU差不多，并且在指令上還要優(yōu)于當時的CPU。

形象點來說，目前它可以簡單刷個屏幕，顯示文字、圖像，甚至一些小游戲（類似貪吃蛇）也能跑起來。

其實在去年7月份，小哥就已經(jīng)在B站更新過一個“純手工自制CPU”的視頻，搭建的是CPU雛形，耗時6個月。

不過當時的CPU還僅處于能跑起來的階段，要運行更復雜的程序還比較困難。

于是小哥就開始了他的手搓“進階版CPU”歷程，在剛制作好的CPU雛形上進行調(diào)試維修，這一步他的計劃是：

• 把指令增加到100多條；

• 增加了堆棧、 IO 口，運算器的這些比較復雜一點的部件，還有內(nèi)存管理；

• 可以滿足一些復雜的運算；
  ……

這一把調(diào)試維修，直接就整了小哥一年半的時間。

為了有效提高CPU的性能，期間小哥下了“血本”購入了示波器這類專業(yè)器材，用來檢測整個CPU每一個節(jié)點的信號。

然后小哥以最簡易的方式去拆除了一些器件，直接把CPU的頻率從1kHz提升到33kHz，性能翻了33倍。

話說回來，徒手搓出CPU，小哥可是完全是依靠自己本科就已經(jīng)掌握的電子領(lǐng)域、IT領(lǐng)域的知識，實打?qū)嶉_發(fā)出來的。

從前期的電路仿真、PCB設計到中后期的焊接、調(diào)試以及軟件編程……小哥一個人獨攬一條“CPU生產(chǎn)線”。

（聽起來就很頭疼對吧）不過這對“愛好技術(shù)類手工制作”的小哥來說可就不一樣了。

獨創(chuàng)技術(shù)了解一下~

看過視頻的盆友或許都知道，小哥在視頻中特別提到了自己的獨創(chuàng)雙通道內(nèi)存。

看看這電路圖，嗯，話不多說，各位跪好，自行搜索B站視頻觀看。

5. 大卷積模型 + 大數(shù)據(jù)集 + 有監(jiān)督訓練！探尋ViT的前身：Big Transfer (BiT)

原文：https://mp.weixin.qq.com/s/tpEEIYkFO_af7NkCAFQvUw

論文地址：https://arxiv.org/pdf/1912.11370.pdf

1 ViT 的前奏：Scale up 卷積神經(jīng)網(wǎng)絡學習通用視覺表示

1.1 背景和動機

使用深度學習實現(xiàn)的強大性能通常需要大量 task-specific 的數(shù)據(jù)和計算。如果每個任務都經(jīng)歷這樣的過程，就會給新任務的訓練過程帶來非常高昂的代價。遷移學習提供了一種解決方案：我們可以首先完成一個預訓練 (Pre-train) 的階段，即：在一個更大的，更通用的數(shù)據(jù)集上訓練一次網(wǎng)絡，然后使用它的權(quán)重初始化后續(xù)任務，這些任務可以用更少的數(shù)據(jù)和更少的計算資源來解決。

在本文中，作者重新審視了一個簡單的范例，即：在大型有監(jiān)督數(shù)據(jù)集上進行預訓練 (注意本文是 ECCV 2020 的工作，當時的視覺模型有監(jiān)督訓練還是主流) ，并在目標任務上進行微調(diào)。本文的目標不是引入一個新的模型，而是提供一個 training recipe，使用最少的 trick，也能夠在許多任務上獲得出色的性能，作者稱之為 Big Transfer (BiT)。

作者在3種不同規(guī)模的數(shù)據(jù)集上訓練網(wǎng)絡。最大的 BiT-L 是在 JFT-300M 數(shù)據(jù)集上訓練的，該數(shù)據(jù)集包含 300M 噪聲標記的圖片。再將 BiT 遷移到不同的下游任務上。這些任務包括 ImageNet 的 ImageNet-1K，ciremote -10/100 ，Oxford-IIIT Pet，Oxford Flowers-102，以及1000樣本的 VTAB-1k 基準。BiT-L 在許多這些任務上都達到了最先進的性能，并且在很少的下游數(shù)據(jù)可用的情況下驚人地有效。

重要的是，BiT 只需要預訓練一次，后續(xù)對下游任務的微調(diào)成本很低。BiT 不僅需要對每個新任務進行簡短的微調(diào)協(xié)議，而且 BiT 也不需要對新任務進行大量的超參數(shù)調(diào)優(yōu)。作者提出了一種設置超參數(shù)的啟發(fā)式方法，在多種任務中表現(xiàn)得很好。除此之外，作者強調(diào)了使 Big Transfer 有效的最重要的要素，并深入了解了規(guī)模、架構(gòu)和訓練超參數(shù)之間的相互作用。

1.2 Big Transfer 上游任務預訓練

Big Transfer 上游預訓練第一個要素是規(guī)模 (Scale)。眾所周知，在深度學習中，更大的網(wǎng)絡在各自的任務上表現(xiàn)得更好。但是，更大的數(shù)據(jù)集往往需要更大的架構(gòu)才能有收益。作者研究了計算預算 (訓練時間)*、*架構(gòu)大小和數(shù)據(jù)集大小之間的相互作用，在3個大型數(shù)據(jù)集上訓練了3個 BiT 模型：在 ImageNet-1K (1.3M 張圖像) 上訓練 BiT-S， 在 ImageNet-21K (14M 張圖像) 上訓練 BiT-M，在 JFT-300M (300M 張圖像) 上訓練 BiT-M。

Big Transfer 上游預訓練第二個要素是 Group Normalization[1] 和權(quán)重標準化 (Weight Standardization, WS)[2]。在大多數(shù)的視覺模型中，一般使用 BN 來穩(wěn)定訓練，但是作者發(fā)現(xiàn) BN 不利于 Big Transfer。

原因是：

1. 在訓練大模型時，BN 的性能較差，或者會產(chǎn)生設備間同步成本。

2. 由于需要更新運行統(tǒng)計信息，BN 不利于下游任務的遷移。

當 GN 與 WS 結(jié)合時，已被證明可以提高 ImageNet 和 COCO 的小 Batch 的訓練性能。本文中，作者證明了 GN 和WS 的組合對于大 Batch 的訓練是有用的，并且對遷移學習有顯著的影響。

1.3 Big Transfer 下游任務遷移

作者提出了一種適用于許多不同下游任務的微調(diào)策略。作者不去對每個任務和數(shù)據(jù)集進行昂貴的超參數(shù)搜索，每個任務只嘗試一種超參數(shù)。作者使用了一種啟發(fā)式的規(guī)則，BiT-HyperRule，選擇最重要的超參數(shù)進行調(diào)優(yōu)。作者發(fā)現(xiàn)，為每個任務設置以下超參數(shù)很重要：訓練 Epoch、分辨率以及是否使用 MixUp 正則化。作者使用 BiT-HyperRule 處理超過20個任務，訓練集從每類1個樣本到超過1M個樣本。

在微調(diào)中，作者使用以下標準數(shù)據(jù)預處理：將圖像大小調(diào)整為一個正方形，裁剪出一個較小的隨機正方形，并在訓練時隨機水平翻轉(zhuǎn)圖像。在測試時，只將圖像調(diào)整為固定大小。這個固定大小作者設置為把分辨率提高一點，因為作者發(fā)現(xiàn)這樣更適合遷移學習。

此外，作者還發(fā)現(xiàn) MixUp 對于預訓練 BiT 是沒有用的，可能是由于訓練數(shù)據(jù)比較豐富。但是，它有時對下游的遷移是有效的。令人驚訝的是，作者在下游調(diào)優(yōu)期間不使用以下任何形式的正則化技術(shù) (regularization)：權(quán)值衰減到零、權(quán)值衰減到初始參數(shù)或者 Dropout。盡管網(wǎng)絡非常大，BiT 有9.28億個參數(shù)，但是卻在沒有正則化的情況下，性能驚人好。作者發(fā)現(xiàn)更大的數(shù)據(jù)集訓練更長的時間，可以提供足夠的正則化。

1.4 上游任務預訓練實驗設置

作者在3個大型數(shù)據(jù)集上訓練了3個 BiT 模型：在 ImageNet-1K (1.3M 張圖像) 上訓練 BiT-S， 在 ImageNet-21K (14M 張圖像) 上訓練 BiT-M，在 JFT-300M (300M 張圖像) 上訓練 BiT-M。注意:“-S/M/L”后綴指的是預訓練數(shù)據(jù)集的大小和訓練時長，而不是架構(gòu)的大小。作者用幾種架構(gòu)大小訓練 BiT，最大的是 ResNet152x4。

所有的 BiT 模型都使用原始的 ResNet-v2 架構(gòu)，并在所有卷積層中使用 Group Normalization + Weight Standardization。

1.5 下游任務遷移實驗設置

使用的數(shù)據(jù)集分別是：ImageNet-1K， CIFAR10/100， Oxford-IIIT Pet 和 Oxford Flowers-102。這些數(shù)據(jù)集在圖像總數(shù)、輸入分辨率和類別性質(zhì)方面存在差異，從 ImageNet 和 CIFAR 中的一般對象類別到 Pet 和 Flowers 中的細粒度類別。

為了進一步評估 BiT 學習到的表征的普遍性，作者在 Visual Task Adaptation Benchmark (VTAB) 上進行評估。VTAB 由19個不同的視覺任務組成，每個任務有1000個訓練樣本。這些任務被分為3組：natural, specialized and structured，VTAB-1k 分數(shù)是這19項任務的平均識別表現(xiàn)。

下游任務遷移實驗中，大多數(shù)的超參數(shù)在所有數(shù)據(jù)集中都是固定的，但是訓練長度、分辨率和 MixUp 的使用取決于任務圖像分辨率和訓練集大小。

1.6 標準計算機視覺 Benchmark 實驗結(jié)果

作者在標準基準上評估 BiT-L，對比的結(jié)果主要有2類：Generalist SOTA 指的是執(zhí)行任務獨立的預訓練的結(jié)果，Specialist SOTA 指的是對每個任務分別進行預訓練的結(jié)果。Specialist 的表征是非常有效的，但每個任務需要大量的訓練成本。相比之下，Generalist 的表征只需要一次大規(guī)模的訓練，然后就只有一個廉價的微調(diào)階段。

受到在 JFT-300M 上訓練 BiT-L 的結(jié)果的啟發(fā)，作者還在公開的 ImageNet-21K 數(shù)據(jù)集上訓練模型。對于 ImageNet-1K 這種大規(guī)模的數(shù)據(jù)集，有一些眾所周知的，穩(wěn)健的訓練過程。但對于 ImageNet-21K 這種超大規(guī)模的數(shù)據(jù)集，有14,197,122張訓練數(shù)據(jù)，包含21841個類別，在2020年，對于如此龐大的數(shù)據(jù)集，目前還沒有既定的訓練程序，本文作者提供了一些指導方針如下：

• 訓練時長：增加訓練時長和預算。

• 權(quán)重衰減：較低的權(quán)重衰減可以導致明顯的加速收斂，但是模型最終性能不佳。這種反直覺的行為源于權(quán)值衰減和歸一化層的相互作用。weight decay 變低之后，導致權(quán)重范數(shù)的增加，這使得有效學習率下降。這種效應會給人一種更快收斂的印象，但最終會阻礙進一步的進展。為了避免這種影響，需要一個足夠大的權(quán)值衰減，作者在整個過程中使用10?4。

如下圖2所示是與 ImageNet-1K 相比，在 ImageNet-21K 數(shù)據(jù)集上進行預訓練時提高了精度，兩種模型都是 ResNet152x4。

1.7 單個數(shù)據(jù)集更少數(shù)據(jù)的實驗結(jié)果

作者研究了成功轉(zhuǎn)移 BiT-L 所需的下游數(shù)據(jù)的數(shù)量。作者使用 ImageNet-1K、CIFAR-10 和 CIFAR-100 的子集傳輸BiT-L，每個類減少到1個訓練樣本。作者還對19個 VTAB-1K 任務進行了更廣泛的評估，每個任務有1000個訓練樣本。實驗結(jié)果如下圖3所示，令人驚訝的是，即使每個類只有很少的樣本，BiT-L 也可以表現(xiàn)出強大的性能，并迅速接近全數(shù)據(jù)集的性能。特別是，在 ImageNet-1K 上，每個類只有5個標記樣本時，其 top-1 的準確度達到 72.0%，而在100個樣本時， top-1 的準確度達到 84.1%。在 CIFAR-100 中，我們每個類只有10個樣本， top-1 的準確度達到 82.6%。

如下圖4所示是 BiT-L 在19個 VTAB-1k 任務上的性能。在研究 VTAB-1k 任務子集的性能時，BiT 在 natural, specialized 和 structured 任務上是最好的。在上游預訓練期間使用視頻數(shù)據(jù)的 VIVIEx-100% 模型在結(jié)構(gòu)化任務上展示出非常相似的性能。

1.8 ObjectNet：真實世界數(shù)據(jù)集的實驗結(jié)果

ObjectNet 數(shù)據(jù)集是一個僅包含測試集的，非常類似于現(xiàn)實場景的數(shù)據(jù)集，總共有313個類，其中113個與ImageNet-1K 重疊。實驗結(jié)果如圖5所示，更大的結(jié)構(gòu)和對更多數(shù)據(jù)的預訓練可以獲得更高的準確性。作者還發(fā)現(xiàn)縮放模型對于實現(xiàn) 80% top-5 以上的精度非常重要。

1.9 目標檢測實驗結(jié)果

數(shù)據(jù)集使用 COCO，檢測頭使用 RetinaNet，使用預訓練的 BiT 模型 ResNet-101x3 作為 Backbone，如下圖6所示是實驗結(jié)果。BiT 模型優(yōu)于標準 ImageNet 預訓練的模型，可以看到在 ImageNet-21K 上進行預訓練，平均精度 (AP) 提高了1.5個點，而在 JFT-300M 上進行預訓練，則進一步提高了0.6個點。

總結(jié)

本文回顧了在大數(shù)據(jù)集上進行預訓練的范式，并且提出了一種簡單的方法 Scale up 了預訓練的數(shù)據(jù)集，得到的模型獲得了很好的下游任務的性能，作者稱之為 Big Transfer (BiT)。通過組合幾個精心的組件，訓練和微調(diào)的策略，并使用簡單的遷移學習方法平衡復雜性和性能，BiT 在超過20個數(shù)據(jù)集上實現(xiàn)了強大的性能。

6. 神經(jīng)網(wǎng)絡INT8量化部署實戰(zhàn)教程

原文：

https://mp.weixin.qq.com/s/oxHnjABZG2xdsEFSfcJYqQ

開篇

剛開始接觸神經(jīng)網(wǎng)絡量化是2年前那會，用NCNN和TVM在樹莓派上部署一個簡單的SSD網(wǎng)絡。那個時候使用的量化腳本是參考于TensorRT和NCNN的PTQ量化（訓練后量化）模式，使用交叉熵的方式對模型進行量化，最終在樹莓派3B+上部署一個簡單的分類模型（識別剪刀石頭布靜態(tài)手勢）。

轉(zhuǎn)眼間過了這么久啦，神經(jīng)網(wǎng)絡量化應用已經(jīng)完全實現(xiàn)大面積落地了、相比之前成熟多了！

我工作的時候雖然也簡單接觸過量化，但感覺還遠遠不夠，趁著最近項目需要，重新再學習一下，也打算把重新學習的路線寫成一篇系列文，分享給大家。

本篇系列文的主要內(nèi)容計劃從頭開始梳理一遍量化的基礎(chǔ)知識以及代碼實踐。因為對TensorRT比較熟悉，會主要以TensorRT的量化方式進行描述以及講解。不過TensorRT由于是閉源工具，內(nèi)部的實現(xiàn)看不到，咱們也不能兩眼一抹黑。所以也打算參考Pytorch、NCNN、TVM、TFLITE的量化op的現(xiàn)象方式學習和實踐一下。

當然這只是學習計劃，之后可能也會變動。對于量化我也是學習者，既然要用到這個技術(shù)，必須要先理解其內(nèi)部原理。而且接觸了挺長時間量化，感覺這里面學問還是不少。好記性不如爛筆頭，寫點東西記錄下，也希望這系列文章在能夠幫助大家的同時，拋磚引玉，一起討論、共同進步。

參考了以下關(guān)于量化的一些優(yōu)秀文章，不完全統(tǒng)計列了一些，推薦感興趣的同學閱讀：

• 神經(jīng)網(wǎng)絡量化入門--基本原理(https://zhuanlan.zhihu.com/p/149659607)

• 從TensorRT與ncnn看卷積網(wǎng)絡int8量化(https://zhuanlan.zhihu.com/p/387072703)

• 模型壓縮：模型量化打怪升級之路 - 1 工具篇(https://zhuanlan.zhihu.com/p/355598250)

• NCNN Conv量化詳解（一）(https://zhuanlan.zhihu.com/p/71881443)

當然在學習途中，也認識了很多在量化領(lǐng)域經(jīng)驗豐富的大佬（田子宸、JermmyXu等等），嗯，這樣前進路上也就不孤單了。

OK，廢話不多說開始吧。

Why量化

我們都知道，訓練好的模型的權(quán)重一般來說都是FP32也就是單精度浮點型，在深度學習訓練和推理的過程中，最常用的精度就是FP32。當然也會有FP64、FP16、BF16、TF32等更多的精度：

FP32 是單精度浮點數(shù)，用8bit 表示指數(shù)，23bit 表示小數(shù)；FP16半精度浮點數(shù)，用5bit 表示指數(shù)，10bit 表示小數(shù)；BF16是對FP32單精度浮點數(shù)截斷數(shù)據(jù)，即用8bit 表示指數(shù)，7bit 表示小數(shù)。TF32 是一種截短的 Float32 數(shù)據(jù)格式，將 FP32 中 23 個尾數(shù)位截短為 10 bits，而指數(shù)位仍為 8 bits，總長度為 19 (=1 + 8 + 10) bits。

對于浮點數(shù)來說，指數(shù)位表示該精度可達的動態(tài)范圍，而尾數(shù)位表示精度。之前的一篇文章中提到，F(xiàn)P16的普遍精度是~5.96e?8 (6.10e?5) … 65504，而我們模型中的FP32權(quán)重有部分數(shù)值是1e-10級別。這樣從FP32->FP16會導致部分精度丟失，從而模型的精度也會下降一些。

其實從FP32->FP16也是一種量化，只不過因為FP32->FP16幾乎是無損的(CUDA中使用__float2half直接進行轉(zhuǎn)換)，不需要calibrator去校正、更不需要retrain。

而且FP16的精度下降對于大部分任務影響不是很大，甚至有些任務會提升。NVIDIA對于FP16有專門的Tensor Cores可以進行矩陣運算，相比FP32來說吞吐量提升一倍。

實際點來說，量化就是將我們訓練好的模型，不論是權(quán)重、還是計算op，都轉(zhuǎn)換為低精度去計算。因為FP16的量化很簡單，所以實際中我們談論的量化更多的是INT8的量化，當然也有3-bit、4-bit的量化，不過目前來說比較常見比較實用的，也就是INT8量化了，之后的重點也是INT8量化。

那么經(jīng)過INT8量化后的模型：

• 模型容量變小了，這個很好理解，F(xiàn)P32的權(quán)重變成INT8，大小直接縮了4倍

• 模型運行速度可以提升，實際卷積計算的op是INT8類型，在特定硬件下可以利用INT8的指令集去實現(xiàn)高吞吐，不論是GPU還是INTEL、ARM等平臺都有INT8的指令集優(yōu)化

• 對于某些設備，使用INT8的模型耗電量更少，對于嵌入式側(cè)端設備來說提升是巨大的

所以說，隨著我們模型越來越大，需求越來越高，模型的量化自然是少不了的一項技術(shù)。

如果你擔心INT8量化對于精度的影響，我們可以看下NVIDIA量化研究的一些結(jié)論:

量化現(xiàn)狀

量化技術(shù)已經(jīng)廣泛應用于實際生產(chǎn)環(huán)境了，也有很多大廠開源了其量化方法。不過比較遺憾的是目前這些方法比較瑣碎，沒有一套比較成熟比較完善的量化方案，使用起來稍微有點難度。不過我們?nèi)钥梢詮倪@些框架中學習到很多。

Google

谷歌是比較早進行量化嘗試的大廠了，感興趣的可以看下Google的白皮書Quantizing deep convolutional networks for efficient inference: A whitepaper以及Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference。

TensorFlow很早就支持了量化訓練，而TFLite也很早就支持了后訓練量化，感興趣的可以看下TFLite的量化規(guī)范 (https://www.tensorflow.org/lite/performance/quantization_spec) ，目前TensorRT支持TensorFlow訓練后量化的導出的模型。

TensorRT

TensorRT在2017年公布了自己的后訓練量化方法，不過沒有開源，NCNN按照這個思想實現(xiàn)了一個，也特別好用。不過目前TensorRT8也支持直接導入通過ONNX導出的QTA好的模型，使用上方便了不少，之后會重點講下。

TVM

TVM有自己的INT8量化操作，可以跑量化，我們也可以添加自己的算子。不過TVM目前只支持PTQ，可以通過交叉熵或者percentile的方式進行校準。不過如果動手能力強的話，應該可以拿自己計算出來的scale值傳入TVM去跑，應該也有人這樣做過了。

比較有參考意義的一篇：

• ViT-int8 on TVM：提速4.6倍，比TRT快1.5倍(https://zhuanlan.zhihu.com/p/365686106)

當然還有很多優(yōu)秀的量化框架，想看詳細的可以看這篇(https://zhuanlan.zhihu.com/p/355598250)，后續(xù)如果涉及到具體知識點也會再提到。

更多關(guān)于量化的基礎(chǔ)理論和技巧，請點擊原文查看。

———————End———————

你可以添加微信：rtthread2020 為好友，注明：公司+姓名，拉進RT-Thread官方微信交流群！

↓點擊閱讀原文

愛我就請給我在看