Deci 的图像分类模型使用的计算能力远远少于领先技术

深度学习公司 Deci，旨在利用 AI 构建 AI ，宣布发现了一种称为 DeciNets 的图像分类模型。它们是通过 Deci 的专有自动神经架构构建（AutoNAC）技术发现的，并且只需要比 Google 规模的神经架构搜索（NAS）技术少两个数量级的计算能力。NAS 技术以前曾被用于发现像 EfficientNet 这样的神经架构。

近年来，人们越来越推崇更大的深度学习模型和增加算法复杂性，这源于对更复杂预测任务的准确性和性能的渴望。更强大的硬件和大数据的可用性也促进了这些新型深度学习模型的发展。

开发人员的替代选项

然而，这些模型对于生产环境中的成本有效的推理操作并不理想。NAS 可以在自动设计更有效的神经网络方面发挥作用，这些网络可以超越手动设计的架构，但它们需要大量资源。能够成功实施 NAS 的公司通常是像 Google 和 Microsoft 这样的巨型科技公司，因此对于大多数开发人员来说，这不是一个可行的选择。

Deci 旨在通过开发 AutoNAC 来解决这个问题，AutoNAC 是第一个商业上可行的 NAS 。它允许开发人员自动设计和构建深度学习模型，这些模型可以超越其他顶级架构。开发人员可以为特定任务（如分类和检测）设置参数，并将 AutoNAC 应用于其数据集，从而能够以可生产的规模获得优化的模型。

AutoNAC 的另一个独特之处在于，它是硬件感知的。换句话说，它可以从任何硬件中获得最大性能，并在各种环境中（如云、边缘和移动设备）部署模型。

Yonatan Geifman 是 Deci 的联合创始人和 CEO 。

“深度学习正在推动下一代计算的发展——如果没有更高性能和更高效的模型来无缝地运行在任何硬件上，我们每天使用的消费技术将会遇到障碍，”Geifman 说。“Deci 的‘AI 构建 AI’方法对于解锁所需的模型以释放新的创新时代至关重要，使开发人员能够将想法转化为革命性的产品。”

AutoNAC 被应用于多个任务，以优化各种推理处理器（如 NVIDIA 的 T4 GPU 和 NVIDIA 的 Jetson Xavier NX 边缘 GPU ）上的模型。使用标准的 ImageNet 基准数据集，AutoNAC 发现了用于图像分类的 DeciNets 。

超越其他平台

Deci 展示了其能够超越其他平台并在生成 DeciNet 时使用远少于其他平台的计算能力的能力，这意味着开发人员在此过程中不需要大量资源。DeciNets 能够超越市场上任何已知的开源神经网络，例如 EfficientNets 和 MobileNets 。

Prof. Ran El-Yaniv 是 Deci 的联合创始人和首席科学家。

“AutoNAC 发现了迄今为止一些最好的分类和检测模型，”Prof. Ran El-Yaniv 说。“但我们不会止步于此；我们的技术可以用于任何深度学习任务，无论是视觉还是自然语言处理（NLP），以及每个可衡量的优化目标。我们不断改进 AutoNAC ，以便它始终能够让开发人员获得最强大的模型，这些模型可以突破效率边界。”

Deci 被惠普企业（HPE）命名为其技术合作伙伴计划的成员，以加速 AI 创新，并被列入 2021 CB Insights AI 100 列表 中最具创新性的人工智能初创公司之一。AutoNAC 技术正在被应用于各个行业的生产环境中。