Core ML在EBooking APP中的实践和应用 张继渊

Razor

2019/10/19 发布于 技术 分类

文字内容
1. CoreML在EBooking APP中的 实践和应用
3. 背景 成果 core ML 难点 展望
4. 移动化办公 民宿、酒店式公寓
5. 选择酒店 价格 位置 设施 交通 …
6. 选择酒店 背景
7. 费力度 背景 iOS单平台 页面点击量大 人均访问次数较多
8. 方案 用户事先分类 服务端返回图片分类
9. 用户事先分类 方案 准备工作长 费力度减少不明显
10. 服务端返回图片分类 方案 费力度减少明显 需要网络协助
11. Core ML
12. 费力度降低 成果 94.1% 点击率减少 16.74倍 点击量减少
13. 数据对比 成果
14. CoreML 1.0 移动端机器学习 2.0 模型更小 75% 识别更快 30% 输入量化权重 输出增加定制化精度 3.0 本地模型个性化 神经网络支持和优化 性能优化 更多种类的数据支持
15. CoreML 架构底层主要由 Accelerate and BNNS((Basic neural network subroutines)) 和 Metal Performance Shaders(卷积神经网络(CNN))使用先前获得的训练数据实现和运行深入学习. BNNS 是 Accelerate 框架的一部分,主要是充分利用CPU的快速矢量指令,并提供一套数学函数。 CNN 是机器学习算法,负责训练模型。
16. CNN训练神经网络模型主要是由三部分组成: 卷积:对图像矩阵进行卷积处理,利用滤镜(矩阵)覆盖执 行逐元素乘积来降维特征提取,再利用池化(Pooling)进一 步合并特征得到图片特征值矩阵集 激活函数:利用特定函数为卷积结果加入一些非线性因素, 将无界的结果转换为可预测形式的输出。将图片特征转换为 图片向量 损失函数:根据训练结果自动调整激活函数权重和偏差,重 复训练来提高准确率。
17. 用在不同图片分类器中,底层的逻辑被提取出来,做成了引用— —这样多个模型就不用每次拷贝同一份底层逻辑,这也使得每个 模型的大小缩小了一半左右。
18. 机器学习的一个重要应用领域就是事先使用大量数据训练机器,让训练后的机器在面对从 未见过的数据时能做出相应的判断。 Core ML 对机器的训练会产生一个关于特定问题的模型,对模型输入特定的数据,模型返回的判断 的结果就是输出。 Core ML实际做的事情是使用事先训练好的模型(trained model),在本地进行计算,最终 返回结果。 ➢ 高性能 ➢ 可以无网络操作 ➢ 隐私性
19. Use Core ML to integrate machine learning models into your app. Core ML provides a unified representation for all models. Your app uses Core ML APIs and user data to make predictions, and to train or fine-tune models, all on the user’s device.
21. 识别 转签 流程
22. 难点 团队 ➢ 数据模型 ➢ 数据准确性 ➢ 精度 ➢ 平衡
23. 数据模型 现有模型? 新建模型?
24. 数据准确性 室外泳池 室内泳池 用户敏感度高,需要精确区分
25. 数据准确性 中餐厅 西餐厅 用户敏感度低,可以粗略区分
26. 精度 – 增加迭代 不断增加迭代次数 ?
27. 精度 – 丰富照片 每张图片做多种处理?
28. 平衡 不停的增加图片?
29. 平衡 页 面 访 问 量 数据模型
30. 展望 团队 ➢ Android ➢ 丰富AI场景
31. 华为 Model Creator ➢ 算法透明,接入简单 ➢ 建模工具容易上手 ➢ 仅支持华为手机
32. TensorFlow Lite ➢ 支持Retrain自建模型 ➢ 支持多平台 ➢ API丰富,资料较全 ➢ 针对移动端接入流程复杂,难度较大
33. 场景 ➢ 情感分析 ➢ 物体识别 ➢ 个性化定制 ➢ 类型转换 ➢ 音乐标签 ➢ 手势识别 ➢ 自然语义识别
34. 丰富AI场景
36. Q&A Thanks