Domina mašininis mokymasis, bet neturi daug patirties? Naujasis „Google“ ML Kit SDK leidžia mašininį mokymąsi lengvai įtraukti į „Android“ arba „iOS“ programą.
Mašininis mokymasis ir dirbtinis intelektas pastaraisiais metais greitai pateko į mūsų žodyną, tačiau mažai kas iš tikrųjų supranta, kaip ši technologija veikia arba ką jos gali. Net pačios „Google“ AI tyrėjai pokštas, kad mašininis mokymasis yra panašus į alchemiją. Kadangi esate užsiėmęs kūrėjas, galbūt neturite laiko mokytis apie mašininį mokymąsi (ML), tačiau „Google“ nenori, kad tai sutrukdytų jums pasinaudoti jo pranašumais. Dėl šios priežasties bendrovė šiandien paskelbė ML rinkinys: naujas SDK, apimantis ilgametį „Google“ darbą mašininio mokymosi srityje į „Firebase“ paketą, kurį naudoja programų mobiliesiems kūrėjai tiek iOS, tiek Android gali naudoti savo programoms patobulinti.
Jei tu nieko neišmanau apie mašininį mokymąsi, tada nesijaudinkite: Jums nereikia jokių išankstinių ML žinių. Tikriausiai esate susipažinę su kai kuriomis realaus pasaulio technologijų programomis, tokiomis kaip veido aptikimas ir vaizdo atpažinimas. „Google“ ML rinkinys nori, kad jūsų programa gautų naudos iš ML naudojimo realiame pasaulyje ir jums nereikėtų suprasti, kaip veikia algoritmas. Ir jei suprantate ML arba norite mokytis, taip pat galite pasinaudoti ML rinkiniu.
Mašininis mokymasis pradedantiesiems su ML rinkiniu
„Google“ naujasis „Firebase“ SDK, skirtas ML, siūlo penkias API kai kuriems dažniausiai pasitaikantiems mobiliuosiuose įrenginiuose:
- Teksto atpažinimas
- Veido atpažinimas
- Brūkšninio kodo nuskaitymas
- Vaizdo žymėjimas
- Orientyro atpažinimas
Viskas, ką jums reikia padaryti, tai perduoti duomenis API ir SDK pateikia atsakymą. Tai taip paprasta. Kai kurie ML naudojimo pavyzdžiai apima muzikos programas, kurios interpretuoja jūsų grojamas natas ir taiko jūsų muzikai aido / triukšmo slopinimą. Kitas pavyzdys galėtų būti kalorijų skaičiavimo programėlių mitybos etikečių optinis simbolių atpažinimas (OCR).
Ateinančiais mėnesiais galimų bazinių API sąrašas bus išplėstas ir įtrauks išmaniojo atsakymo API Android P ir didelio tankio veido kontūro priedas prie veido aptikimo API.
ML rinkinys patyrusiems vartotojams
Jei turite šiek tiek išankstinių žinių, taip pat galite pritaikyti savo pasirinktinį TensorFlow Lite modeliai. Viskas, ką jums reikia padaryti, tai įkelti modelį į „Firebase“ pultą, kad nereikėtų jaudintis dėl modelio susiejimo su APK (taip sumažinamas failo dydis.) ML rinkinys dinamiškai aptarnauja jūsų modelį, todėl galite atnaujinti modelius iš naujo neskelbdami programėlė.
Dar geriau, kad „Google“ automatiškai suglaudins visus „TensorFlow“ modelius į „TensorFlow Lite“. modelis, kuris sumažina failo dydį ir užtikrina, kad daugiau žmonių, turinčių ribotą duomenų ryšį, galėtų mėgautis jūsų programėlė.
Įrenginio ir debesies API
ML Kit siūlo ir įrenginyje, ir debesies API. Įrenginyje esanti API apdoroja duomenis be tinklo ryšio (pvz., „Android Oreo“ teksto pasirinkimo funkcija), tuo tarpu debesies API naudoja „Google Cloud Platform“ duomenims apdoroti, kad jie būtų tikslesni.
„ML Kit“ veikia tiek „Android“, tiek „iOS“, o ypač „Android“ įrenginiuose, kuriuose veikia senos „Ice Cream Sandwich“ versijos „Android“. Jei vartotojas veikia Android 8.1 Oreo ir aukščiau, ML Kit pasiūlys geresnį našumą dėl jau esančios neuronų tinklų API. Įrenginiuose su mikroschemų rinkiniais, kuriuose yra specializuota aparatinė įranga, pvz „Qualcomm Snapdragon 845“. (ir jo šešiakampis DSP) arba HiSilicon Kirin 970 (ir jo neuronų apdorojimo blokas), apdorojimas įrenginyje bus paspartintas. „Google“ teigia, kad jie bendradarbiauja su SoC pardavėjais, kad pagerintų įrenginio atpažinimą.
Išvada
Kūrėjai, norintys pradėti, turėtų ieškoti naujojo SDK „Firebase“ konsolė. Atsiliepimus galite palikti „Google“ grupė, skirta „Firebase“..
ML patirties turintys kūrėjai, norintys išbandyti „Google“ algoritmą „TensorFlow“ modeliams suspausti, gali užsiregistruoti čia. Galiausiai patikrinkite Firebase Remote Config jei norite eksperimentuoti su keliais pasirinktiniais modeliais; tai leidžia dinamiškai keisti modelio reikšmes, kurti populiacijos segmentus ir lygiagrečiai eksperimentuoti su keliais modeliais.