谷歌推出EfficientNet-EdgeTPU演算法，加快AI边缘装置效能。EfficientNet-EdgeTPU是针对Coral Dev Board，Tinker Edge T等搭载Edge TPU张量处理器进行最佳化的演算法，能提升神经网路运算效能达10倍，对运算能量有限的边缘装置来说，是相当重要的突破，并能带来更多应用可能性。
透过AI弥补摩尔定律放缓
摩尔定律（摩尔定律）由英特尔创始人之一戈登?摩尔提出，他预测每隔两年积体电路可容纳的电晶体数目会增加1倍，过去数十年，电脑发展都相当契合这条定律。
Google在官方AI研究部落格提到，在半导体制程越来越精进之后，要进一步缩小电晶体的尺寸比以往更困难，因此资讯产业便逐渐将开发焦点转移到硬体加速等特殊应用领域，以持续推动产业发展。
这个现象也发生在AI，机器学习领域，许多研发单位都在致力打造神经网路（神经网络，NN）的加速运算单元，但是讽刺的是，即便应用于资料中心或边缘装置的神经运算装置越来越普遍，但却很少为这些硬体最佳化设计的演算法。
为了解决这个问题，Google发表了EfficientNet-EdgeTPU影像分类演算模型，顾名思义可能到它以及Google自家开源EfficientNets模型为基础，并针对Edge TPU最佳化，以利提升边缘装置在AI运算的效能表现。
▲华硕推出的Tinker Edge T开发板也搭载Edge TPU。
针对Edge TPU最佳化
为了将EfficientNets最佳化，Google的研发团队使用AutoML MNAS框架，并针对Edge TPU的特性调整神经网路的搜索空间（Search Space），同时也整合延迟预测模组，以利预估Edge TPU的运算延迟。
执行运算时，EfficientNets主要采用深度可分离卷积（Depthwise-Separable Convolutions），虽然可以降低运算量，但并不适合Edge TPU的架构，因此EfficientNet-EdgeTPU改采一般常规卷积，虽然会让运算量增加，但还是有较好的整体运算效能。
实际验证的测试中，EfficientNet-EdgeTPU-S代表基本模型，而-M和-L模型则代先采用复合缩放将原始图像调整为最佳解析度，以更大，更准确的模型判读，牺牲延迟换取更高准确度。结果报告显示，无论使用哪款模型，效能与准确度都有出色表现，效能大幅领先ResNet-50，准确度也远高于MobileNet V2。
原文地址：https://blog.51cto.com/14420067/2428859