(资料图片)

旧金山:来自(FAIR)的一个团队开发了一个名为“RegNet”的新型低维设计空间，它比传统的可用模型(如from)性能更好，在gpu上运行速度快五倍。

研究人员在一篇题为《设计网络设计空间;在预印库ArXiv上发布。研究人员的目标是“可解释性和发现描述网络的一般设计原则，这些设计原则简单、工作良好，并适用于各种环境”。人工智能团队与EfficientNet进行了对照比较，没有增加训练时间，并且采用了相同的训练设置。谷歌的EfficientNet于2019年推出，它结合了NAS和模型缩放规则，代表了当前的SOTA。通过类似的训练设置和失败，RegNet模型比有效网模型表现得更好，同时在gpu上的速度提高了5倍。

该团队没有设计和开发单独的网络，而是专注于设计实际的网络设计空间，这些网络设计空间包含大量的、可能是无限数量的模型架构。利用误差经验分布函数(EDF)对设计空间质量进行分析。对RegNet设计空间的分析还为研究人员提供了关于网络设计的其他意外见解。例如，他们注意到，最佳模型的深度在20块(60层)的计算区域内是稳定的。虽然现代移动网络使用倒瓶颈很常见，但研究人员注意到，使用倒瓶颈会降低性能。

最好的模型既不使用瓶颈，也不使用反向瓶颈。Facebook的人工智能研究团队最近开发了一种工具，可以欺骗用户在视频中错误地识别一个人。这种“去识别”系统也适用于视频直播，它利用机器学习来改变视频中某个对象的关键面部特征。广交会通过与社会各界的公开合作，通过基础研究和应用研究，推动人工智能的发展。这家社交网络巨头于2014年创建了Facebook人工智能研究(FAIR)小组，旨在通过公开研究促进所有人的利益，提升人工智能的艺术水平。从那时起，FAIR已经发展成为一个国际研究组织，在门洛帕克、纽约、巴黎、蒙特利尔、特拉维夫、西雅图、匹兹堡和伦敦都有实验室。

关键词： 人工智能 设计空间 研究人员 设计原则