廣州熱線

近日，在華為開發(fā)者大會上，華為移動服務（HMS）向廣大開發(fā)者發(fā)布了手機及IoT設備上的AI解決方案——“MindSpore Lite”，方便開發(fā)者在自己的應用中快速搭建智能服務，幫助應用識別圖像、語音，實現(xiàn)與人交流溝通，從而大幅降低AI應用開發(fā)門檻，為智能世界注入更多想象空間。相比其他框架，它擁有高效的內(nèi)核算法和匯編級優(yōu)化，能充分發(fā)揮硬件算力；提供超輕量的解決方案，模型更小跑得更快，能部署在極限環(huán)境中；同時支持業(yè)界主流模型格式，并提供模型壓縮、數(shù)據(jù)處理等能力，方便用戶快速部署。

MindSpore Lite發(fā)布會著重提到了自定義模型，即用戶不用局限于官方提供的模型，可以根據(jù)自己的需要優(yōu)化模型。譬如對于檢測水果的應用，可以使用官方通用的圖片分類模型，加上開發(fā)者自己的水果圖片，通過MindSpore來進行訓練、優(yōu)化模型，從而獲得更高的檢測準確率，使得應用變得更加智能。允許自定義模型，可以讓官方的模型多出許多的延伸和分支，開發(fā)者也能擁有更大的發(fā)揮空間，可以說是應用創(chuàng)新的利器。而這個讓人眼前一亮的特性源自MindSpore Lite搭載的“增量學習算法”。

增量學習：人工智能產(chǎn)業(yè)的“新寵”算法

在智能應用開發(fā)過程中，人們會借助于機器學習算法，過去這些算法大部分都是批量學習Batch Learning模式，即假設在訓練之前所有訓練樣本一次都可以得到，學習這些樣本之后，學習過程就終止而不再學習新的知識。然而在實際應用中，訓練樣本通常不可能一次全部得到，而是隨著時間逐步得到，并且樣本反映的信息也可能隨著時間產(chǎn)生變化。如果新樣本到達后要重新學習全部數(shù)據(jù)就需要消耗大量時間和空間，效率也隨之大大降低。

由于“一次性批量輸入”的特性，批量學習模式被形象的稱為“填鴨式學習”，在面對動態(tài)數(shù)據(jù)訓練需求時，會形成算力的極大浪費，拖慢應用開發(fā)速度。為此，學術(shù)界將更靈活、更具成長性的“增量學習”模式納入人工智能的未來算法考量。

增量學習是指一個學習系統(tǒng)能不斷地從新樣本中學習新的知識，并能保存大部分以前已經(jīng)學習到的知識。增量學習非常類似于人類自身的學習模式。因為人在成長過程中，每天學習和接收新的事物，而每一次學習都將“烙印”成記憶，從而形成智能的積累。

鑒于增量學習“無需保存歷史數(shù)據(jù)”的特性，從而減少存儲空間的占用，特別適合存儲資源有限的場景；此外，由于增量學習充分利用了歷史的訓練結(jié)果，可以顯著地減少后續(xù)訓練的時間，使應用開發(fā)更快、經(jīng)濟成本更低。目前，增量學習主要有兩方面的應用：一是用于數(shù)據(jù)庫非常大的情形，例如Web日志記錄；二是用于流數(shù)據(jù), 例如股票交易數(shù)據(jù)。

對于開發(fā)者而言，最熟悉的莫過于fine-tune，當大規(guī)模數(shù)據(jù)訓練時，加載整個網(wǎng)絡并且訓練也是比較耗時的事情。尤其是當計算資源不足時，或者需要使用CPU訓練時，雖然微調(diào)總體需要訓練步數(shù)較少，但每一步依然需要消耗CPU大量計算時間。

MindSpore搭載的增量訓練算法，將網(wǎng)絡拆分為兩個子網(wǎng)絡，完全凍結(jié)特征提取網(wǎng)絡層，只訓練較小訓練量的全連接網(wǎng)絡，這樣既給用戶提供了自定義模型的靈活度，同時在訓練速度也非常具有優(yōu)勢。

華為“增量學習”：智能應用開發(fā)的助推器

在孵化一款智能應用的過程中，搭建系統(tǒng)性的模型框架是關(guān)鍵的一環(huán)，而這往往又是技術(shù)要求高、模型訓練、調(diào)試時間和算力投入較高的一環(huán)，而華為MindSpore可以高效解決上述問題。MindSpore具有“增量學習”能力，可以實現(xiàn)訓練時間大幅度縮減，快速打造智能應用，為開發(fā)者提供打造智能應用的捷徑。

華為“增量學習”算法，其主要優(yōu)勢在于保留舊樣本中已經(jīng)學習到的知識，做到已有知識的累加，這將避免從頭開始的重復訓練，大幅降低訓練參數(shù)量，加快智能服務的成型。

更為可貴的是，MindSpore 的增量學習技術(shù)，不僅可以在云端進行數(shù)據(jù)訓練，還可在手機、平板等產(chǎn)品終端進行數(shù)據(jù)訓練，這就減少了云端服務器采買的昂貴費用，調(diào)用終端的計算能力，降低了應用開發(fā)成本，為開發(fā)者提供易用的、免費的服務幫助。

通過“增量學習”等技術(shù)的融入，MindSpore 顯著減少模型開發(fā)時間，降低模型開發(fā)門檻。MindSpore原生適應每個場景包括端、邊緣和云，在與華為昇騰AI處理器的協(xié)同優(yōu)化下，可實現(xiàn)運行態(tài)的高效，大大提高計算性能；同時，MindSpore也支持GPU、CPU等其它處理器。

HMS Toolkit：智能應用開發(fā)的“螺絲刀”

如果說“增量學習算法”是智能應用開發(fā)的引擎，那么HMS Toolkit則是為智能應用嵌入華為HMS Core的執(zhí)行工具—— “螺絲刀”。

HMS Toolkit是一個IDE工具插件，提供一套含應用創(chuàng)建、編碼和轉(zhuǎn)換、調(diào)測、測試和發(fā)布的開發(fā)工具，可以幫助開發(fā)者以更低的開發(fā)成本、更高的開發(fā)效率集成HMS Core服務。

當開發(fā)者已經(jīng)開發(fā)了一個Android應用，集成和使用了GMS（Google Mobile Services）服務，需要快速遷移使用HMS Core服務和上線華為應用市場的時候；或者當開發(fā)者準備開發(fā)一個新應用，需要快速集成華為HMS Core服務和上線華為應用市場的時候，HMS Toolkit就是其最好的幫手。

HMS Toolkit眾多開發(fā)工具中，針對圖像分類的遷移學習，提供了AI Create功能，通過深度的機器學習和模型訓練，可以很好地幫助用戶對圖像進行精確的識別。

AI Create利用遷移學習算法在具有良好泛化能力的基座分類模型的基礎上，針對特定領域（如汽車、動物等）百張級數(shù)據(jù)進行分鐘級的學習訓練，自動生成圖像分類識別的新模型，該生成的新模型可以自動識別圖像所屬的類別。HMS Toolkit還提供一鍵生成模型調(diào)用的API文件和模型調(diào)用Demo示例工程的功能，方便開發(fā)者在應用程序中快速驗證和調(diào)用圖像分類AI模型。

目前，華為HMS生態(tài)中已進駐超過180多萬開發(fā)者，全球接入HMS Core的應用數(shù)量超過9萬款，開發(fā)者已成為華為進軍人工智能時代的主要力量。為幫助開發(fā)者簡化開發(fā)流程、提高開發(fā)效率，華為HMS不斷提供諸如“增量學習”算法等先進技術(shù)解決方案，普惠更多有想法、有創(chuàng)意的優(yōu)秀開發(fā)者，攜手為用戶打造更美好的全場景智慧生活。