Apple, yüz tanıma teknolojisinin evrimini ilk kez açıkladı: "Olgunlaşmamış teknoloji ilkeyi kullanmaz"
("MIT Technology Review" APP'nin Çince ve İngilizce sürümü artık çevrimiçi ve yıllık aboneler her hafta teknoloji İngilizcesi dersini canlı yayınlıyor ve ayrıca bir teknoloji İngilizce öğrenme topluluğu da var ~)
İlk iPhone'un 2007'de piyasaya sürülmesinden bu yana on yıl geçti. Yıllar içinde iPhone ürünlerine dönüp baktığımızda, birçok yeni teknoloji ilk değil ve Apple, tüketicilere daha iyi bir kullanıcı deneyimi sunmak için ürünleri devam ettirmek için daha olgun teknolojileri seçecek.
Örneğin, iPhone'u sektörde gerçekten bir ölçüt haline getiren dokunmatik ekran teknolojisi, Motorola aslında 1999 gibi erken bir tarihte dokunmatik ekran teknolojisi ile donatılmış A6188'i piyasaya sürdü; ayrıca Motorola tarafından 2011 yılında ilk kez piyasaya sürülen iPhone 5S'den beri kullanılan parmak izi tanıma teknolojisi de var. Yıl içinde piyasaya sürüldü.
Şekil Motorola dokunmatik ekranlı cep telefonu A6188 ve parmak izi kilidi cep telefonu Atrix 4G
O zamanlar Jobs, Apple için olgunlaşmamış teknolojileri kullanmama ilkesini koymuş gibi görünüyordu, bir yandan, tabii ki, kullanıcı deneyimine dikkat etmekti. Öte yandan, iPhone'a bir teknoloji yüklendikten sonra bunun bir endüstri modeli haline gelmesi gerektiğine her zaman şiddetle inanıyordu. Akıllı telefonların yaygınlaşmasından Siri'nin birkaç sesli asistanına, parmak izi tanımaya, 3,5 mm kulaklık jakının iptal edilmesine kadar, yeni endüstri standartları bir dereceye kadar belirlenmiş ve diğer cep telefonu üreticilerinin de buna uyması sağlanmıştır. İçinde.
Artık yeni iPhone 8 ve iPhone X piyasada olduğuna göre, yüz tanıma işlevi Face ID şüphesiz bir vurgu. Ancak her zaman olduğu gibi bu yeni bir teknoloji değil. Apple aslında 2013'te piyasaya sürülen iOS 7'ye ilgili temel işlevsel bileşenleri entegre etti ve teknoloji 2001 yılına kadar izlenebilir. Ancak 2017 yılına kadar Apple bu teknolojinin olgunlaştığına inandı ve onu en yeni iPhone ürünlerine taşıma zamanı gelmişti.
Appleın makine öğrenimi geliştirme ekibi ayın 16'sında ağırlıklı olarak Vision API'nin arkasında yer alan sinir ağı mekanizması ve yüz tanıma işlevleri yapmak için basit sinirsel olmayan ağ algoritmalarının nasıl kullanılacağı.
Makale bağlantısı:
https://machinelearning.apple.com/2017/11/16/face-detection.html
Hepimizin bildiği gibi, iPhone X'teki Face ID işlevi, geçmişte parmak izi tanımanın yerini almak için yüz tanımayı kullanır.Kolaylığı etkili bir şekilde iyileştirmenin yanı sıra, telefonun tanıyabilmesini sağlamak için makine öğrenimine dayalı çekirdek algoritmasına ve yüzler için bir 3B tarama mekanizmasına da dayanır. Gerçek sahibi görünecek ve kullanım süresi arttıkça, telefonun sahibinin yüzüne aşinalığı da artacaktır.
Gözlük veya maske taktığı için fark edilmese bile, estetik ameliyattan sonra bile, Ancak şifreyi girdiğiniz sürece, telefon henüz yakalanan yüz özelliklerini öğrenme modeline ekleyecektir.Aynı gözlüğü veya maskeyi daha sonra taktığınızda, telefon sizi yine de tanıyabilir, bu nedenle hırsızlık gibi güvenlik endişeleri konusunda endişelenmenize gerek kalmaz.
Elbette şifre iyi tutulmalıdır!
Şekil iPhone X'te Face ID işlevi gösterimi
Ancak, yeterince yüksek bir tanıma doğruluğu oranı elde etmek için Apple, algoritmalardan donanım tasarımına kadar çok düşündü. Ancak bu süreç geriye doğru izlenebilir 2011'de Apple, iOS 5'te bir dizi görüntü tanıma çerçevesi Core Image yayınladı.
Adı, 2004'teki Mac OS X'teki Core Image ile tamamen aynı olsa da, içerik tamamen farklı.Mac OS X'teki Core Image, esas olarak grafik işleme için kullanılır ve bu, grafiklere gerçek zamanlı olarak genel görüntü işleme yazılımı uygulanarak elde edilebilir. Özel efekt filtreleri.
Apple, Core Image'ı iOS 5'e taşıdıktan sonra, işletim sisteminin revizyonuyla sürekli yeni özellikler eklendi. 2013'te iOS 7 ile Apple tanıtıldı. CIDetector Bu işlevsel sınıf ve en önemli temel işlevi, Yüz tanıma .
Bununla birlikte, şu anda yüz tanımanın pek ticari değeri yoktur, çünkü sadece insan yüzü olup olmadığını tanıyabilir, ancak kişiyi yüz özelliklerinden tanıyamaz. Apple, daha sonra 2014 yılında derin öğrenme araştırmasına yöneldi. 3 yıl sonra, OpenML Bu eksiksiz derin öğrenme ekolojisi ve eşleşmesi Nöro motor donanımı AI işleme birimi . Ve donanım işlemeye dayalı ilk cep telefonu derin öğrenme uygulamasını başlattı Face ID.
Face ID'nin prototipi CIDetector, 2001'de ortaya çıktı
Core Image, iOS 7.0'a dönüşmüştür ve işlevleri arasında CIImage, CIContex, CIFilter ve CIDetecor bulunur ve kilit nokta, CIDetecor'un işlevsel sınıfıdır.
Dolayısıyla, iOS 7, CIDetecor'u tanıttığında, temelde yüzleri tanıma yeteneğine sahiptir, ancak şüpheleriniz olabilir. Peki, iOS 7'den iOS 11'e nasıl ilerledi ve yüz kimliği numarasını kullanmak bu kadar uzun sürdü?
Tabii ki büyük bir numara olduğu için erken aşamada şans uygulama süreci kaçınılmaz ve iOS 7'de kullanılan yüz tanıma algoritmasının büyük kusurları var.Apple ayrıca bu teknolojiyi yüksek hassasiyetli yüz tanıma için kullanmanın çok eski olduğunu düşünüyor. erken.
Aslında, iOS 7'deki CIDetector'ın yüz tanıma teknolojisi, basit özelliklere dayalı bir nesne tanıma teknolojisi olan Viola-Jones'u kullanıyor, Bu teknoloji, 2001 yılında Massachusetts Teknoloji Enstitüsü'nden mezun olan Paul tarafından geliştirildi. Viola (şu anda Amazon'da ) Ve Michael Jones (şu anda Mitsubishi Electric Araştırma Laboratuvarı, MERL'de) İki önerdi , AdaBoost algoritmasına dayalı olarak, Haar benzeri dalgacık özellikleri (görüntüleri tanımlamak için kullanılan dijital bir özellik olan haar özellikleri olarak kısaltılır) ve yüz algılama için entegre görüntü yöntemlerini kullanır.
Bu iki kişi, önerilen dalgacık özelliğini kullanan ilk araştırmacılar olmasa da, Ancak yüz algılama için daha etkili özellikler tasarladılar ve AdaBoost tarafından eğitilen güçlü sınıflandırıcıları kademelendirdiler. Bunun yüz algılama tarihinde bir kilometre taşı olduğu söylenebilir, bu nedenle o sırada önerilen algoritmaya Viola-Jones algoritması denir.
Kuşkusuz, 2001 yılında bilgisayarların bu kadar popüler olmadığı dönemin arka planında, bir yüz tanıma algoritması oluşturma yeteneği çığır açan bir öneme sahiptir, ancak algoritma çok kaba ve kullanılan özellik noktalarının sayısı çok azdır. Yanlış yargılamaya veya müdahaleye neden olmak kolaydır.
Apple bu sorundan dolayı yüz tanıma işlevini ürüne aceleyle koymaya cesaret edemiyor Sonuçta yanlış değerlendirme oranı çok yüksek ve bu da ürünü kullanma deneyimine ciddi şekilde zarar verecek.
Şekil Samsung yüz tanıma
Ancak yine de bu yüz tanıma teknolojisini ürünlerine doğrudan dahil eden birçok "cesur" üretici var: Örneğin, Microsoft'un Surface tableti ve Samsung'un Galaxy telefonları ve tabletleri, 2016 gibi erken bir tarihte, ürüne entegre edilmiş yüz tanıma işlevini vurguladı. Elbette, tanıma hataları olasılığı yüksektir. Hesap sahibinin yüzünün fotoğrafını çektiğiniz sürece, makinenin kimlik doğrulamasını tanıması ve geçmesi için bunu yazdırabilirsiniz Böyle bir güvenlik performansının doğal olarak Apple'ın ürün gereksinimlerinin temel eşiğini geçmeyeceği düşünülebilir.
Ancak iOS 8'de, CIDetector işlev sınıfı, tümü aynı hesaplama mantığı kümesini kullanan barkodlar, nesne şekilleri ve metin için tanıma yetenekleri ekledi. Yüz tanıma işlevi hala korunur, ancak yalnızca kritik olmayan fotoğrafçılık veya görüntü işleme için kullanılır ve tanıma verimliliği GPU hızlandırma ile artırılır.
Şu anda, CIDetector'ın yüz tanıma işlevi esas olarak yargılamak için kullanılmaktadır " İnsan yüzü mü "Ayırt etmek yerine" Bu kimin yüzü ", mevcut Face ID işlevinden daha uzun bir yol var ama Barkod yorumlama Uygulama hala nispeten geniştir, Ve nesne tanıma yetenekleri yavaş yavaş AR işlevlerinde kullanılıyor .
Her halükarda, Apple'ın gelişen teknolojilerin kullanımı konusunda çok temkinli davrandığı görülüyor ve bu bugün hala geçerli. Kısa bir süre önce, "MIT Technology Review" Apple'ın şu anki CEO'su Tim Cook ile özel bir röportaj yaptı. Kaç kişiye Apple'ın yapay zeka alanında Google'ın, Microsoft'un, Amazon'un ve diğer şirketlerin gerisinde kaldığını düşündüğü sorulduğunda cevabı şu oldu: "Bu sadece yapay zeka değil, aynı zamanda diğer yönler. İnsanlar genellikle sattıklarımızla karşılaştırırlar. Başkaları tarafından planlanan şeyleri karşılaştırın. Birçok insan konsept satıyor. Sebepleri var. Kimseyi eleştirmek istemiyorum ama biz yapmıyoruz. "
"Tüketiciler, ürüne entegre makine öğrenimi teknolojisini umursamıyorlar. Bu teknolojinin varlığından bile haberdar değiller. İPhone'un pil ömrünün daha uzun olması tam olarak makine öğreniminden kaynaklanıyor. Aslında, iPhone'da pek çok şey var. Size şunu hissettiriyor, "Ah, aynı zamanda makine öğrenimi." Tüketicilere hangi ürünlerimizin makine öğrenimini kullandığını söylememiz gerektiğini asla hissetmeyiz, çünkü tüketicilerin en çok önemsediği şey bu değil. Önem veriyoruz çünkü teknik alandayız Meslekler, Ancak kullanıcılar umursamıyor, yalnızca işe yarayıp yaramadığını önemsiyorlar. "
Bulut Yapay Zeka gizlilik sorunları içeriyor, Apple terminal çözümleri aramaya başlıyor
Apple, 2014 yılına gelindiğinde büyük ölçekli bilgi işlem platformlarında derin öğrenme uygulamasının gittikçe daha olgun hale geldiğini gördü ve ardından kademeli olarak pratik derin öğrenmenin mobil platformlarda da son derece yüksek uygulama potansiyeline sahip olması gerektiğini düşündü ve geliştiriciler bir fikir buldu: Cep telefonlarına derin öğrenme koyarsak, daha serin ve daha doğru tanıma işlevleri elde edebilir miyiz?
Bununla birlikte, ideal doludur, ancak gerçek çok zayıftır. Mevcut cep telefonlarının, Huawei'nin Kirin 970'de kullanılan NPU'su gibi yapay zeka hesaplamalarını işlemek için kademeli olarak özel işlem birimlerini entegre etmesine rağmen, 2014'teki cep telefonu yongalarının hesaplama performansı çok zayıftı ve derin öğrenme görsel model hesaplama platformu olarak kullanılamazdı.
O zamanlar, AI işlevleri sektörde uygulanacaksa, genellikle bulut API'leri aracılığıyla ilgili derin öğrenme çözümleri sağladılar. . Yüz tanıma gibi bulut tabanlı bir derin öğrenme çözümü kullanılırsa, cep telefonları aracılığıyla yüz görüntüleri toplanabilir ve ardından yüzleri algılamayı öğrenmek için buluta gönderilebilir. Bu bulut tabanlı hizmetler genellikle güçlü bir masaüstü sınıfı GPU mimarisi kullanır ve ayrıca büyük miktarda bellek kullanır. Bu bulut hizmeti cihazları aracılığıyla, cep telefonları gibi terminaller de sorunları çözmek için derin öğrenmeyi kullanabilir.
Ama bu başka bir sorun yaratır, Apple'ın iCloud'u katı gizlilik ve veri kullanım kısıtlamalarına tabidir, bu nedenle iCloud'da çok sayıda fotoğraf verisi olmasına rağmen bu veriler derin öğrenme için kullanılamaz. . Teorik olarak, iCloud'a gönderilen fotoğraflar ve videolar bulut depolama cihazına gönderilmeden önce şifrelenecek ve şifresi yalnızca iCloud'a kayıtlı hesap tarafından çözülebilir.Bu nedenle, derin öğrenme için Apple bunu yalnızca doğrudan telefonda yapmayı seçebilir Bulutta işlem yapmak yerine ilgili hesaplamalar.
İşte tam da bu nedenle zorluk ortaya çıkıyor: iPhone'da derin öğrenme gerçekleştirmek için, çok büyük ve değerli bir NAND depolama alanı kaplaması gerekiyor ve öğrenirken tüm veritabanı belleğe yüklenmeli ve çok fazla CPU veya GPU hesaplama gücü.
Buna ek olarak, bulut bilişim tabanlı hizmetlerin aksine, bulut bilişim kaynaklarının yalnızca görsel konulara odaklanması gerekir.Aksine, terminal cihazlarda derin öğrenme bilgi işleminin diğer çalışan uygulamalarla sistem kaynaklarını paylaşması gerekir. Son olarak, bu hesaplamaların büyük bir fotoğraf kitaplığını nispeten kısa bir sürede önemli bir güç tüketimi veya ısı artışı olmadan işleyebilecek kadar verimli bir şekilde işlenmesi gerekir.
Geleneksel Viola-Jones özellik tanıma yöntemini OverFeat derin öğrenme algoritmasıyla değiştirin
2014 yılında, Appleın Ar-Ge personeli derin öğrenme yoluyla görüntülerdeki yüzleri nasıl algılayacaklarını tartışmaya başladığında, Derin Evrişimli Ağ (DCN) Aslında, nesne tespitinde fark yaratmaya ve oldukça güvenilir sonuçlar üretmeye henüz yeni başladı. . DCN algoritmaları arasında en belirgin olanı " OverFeat Nispeten basit mantığa dayanan "" yaklaşımı, oldukça etkili ve güvenilir görüntü işleme sonuçları elde edebilir.
Araştırmacılar, Face ID'de orijinal yüz tanıma algoritmasını oluşturmak için OverFeat makalesindeki içgörüleri kullandılar ve iki görev hedefine ulaşmak için buna dayalı tam bir evrişimli ağ oluşturdular:
1. Giriş verilerinde yüzlerin varlığını veya yokluğunu tahmin etmek için ikili sınıflandırmayı kullanın.
2. Öngörülen sınır çerçevesinin parametre regresyonu, girdideki yüz verilerinin daha iyi konumlandırılmasına bağlıdır.
Araştırmacılar bu ağı eğitmek için birkaç yöntem kullandı:
En basit eğitim süreci, ağın en küçük tek geçerli girişine karşılık gelen ve tüm ağ algoritmasının çok görevli hedef hesaplama gücünü optimize eden büyük bir sabit boyutlu görüntü blokları veri kümesi oluşturmaktır. Eğitimli veri seti, ideal bir durumda öğrenme ve yorumlama sürecini temsil eder.Ar-Ge personeli, tüm ağın hesaplama potansiyelini ve esnekliğini değerlendirmek ve daha farklı olasılıklar için ağ parametrelerini ayarlamak için buna güvenir. Ve eğitimden sonra, Ağ, bir yüzün herhangi bir görüntüye dahil edilip edilmediğini tahmin edebilir ve yargı evet ise, görüntüdeki yüzün koordinatlarını ve oranlarını da gösterebilir.
Şekil Apple geliştiricileri tarafından optimize edilmiş yüz tanıma DCN ağ yapısı
Ağ tamamen evrişimli olduğu için, her boyuttaki görüntüleri verimli bir şekilde işleyebilir ve bir 2D çıktı haritası oluşturabilir. Ve ilgili haritadaki her nokta, giriş görüntüsündeki herhangi bir bloğa karşılık gelebilir, Bu noktalar ayrıca döşemede bir yüz olup olmadığına ve döşemedeki yüzün göreceli konumu ve oranına ilişkin ağdan gelen tahminleri de içerir.
Ağı tamamen tanımladığımızda, yüz algılama gerçekleştirmek için standart bir işleme hattı oluşturabiliriz. Bu boru hattı şunları içerir: Çok ölçekli görüntü piramidi, yüz dedektörü ve son işlem modülü Üç ana bölümü bekleyin. Çok ölçekli piramitler çoğunlukla çeşitli boyutlardaki yüzlerle uğraşmak için kullanılır. Yüz verileri toplandığında, ağı piramidin her farklı ölçek seviyesine uygularız ve her katmandan aday tespit verilerini toplarız. İşlem sonrası modül, ağ haritalama görüntüsünde yüz algılama için nihai tahmin sınırlayıcı kutuların bir listesini oluşturmak üzere bu algılama sonuçlarının aralıklarını birleştirmek için kullanılır.
Şekil DCN evrişimli ağ kullanılarak kurulan yüz algılama boru hattı
Derin öğrenme hesaplamalarına dayalı OpenML oluşturun ve yüz tanıma Vizyonu için temel bir platform oluşturun
Apple geçmişte terminal cihazları için daha önce bahsedilen Core Image gibi birçok görüntü işleme API'si tasarlamış olsa da, eski nesil mantığı temel alan bu API'ler artık gelecekteki karmaşık uygulamaların bilgi işlem ihtiyaçlarıyla baş edemiyor. Derin öğrenmenin uygulanması ister bulutta ister terminalde kaçınılmaz bir eğilim olduğu için, Apple geliştiricileri derin öğrenme geliştirme ortamı olan OpenML'yi ve derin öğrenme için optimize edilmiş bir görüntü görüntüleme kanalı olan Vision'ı başlattı.
Vision ile geliştiriciler için temel grafik işlemlerinin çoğu otomatik olarak yapılabilir. Ek olarak, bellek tüketimi ve güç performansı açısından, özellikle akışlı ortam ve görüntü yakalama süreçlerinde, bellek kullanımı geçmişte her zaman çözülmemiş bir sorun olmuştur. Bir fotoğraf lensinin fotoğrafik çözünürlük kapasitesi arttıkça, yakalayabileceği görüntü kalitesi ve kapasite gereksinimleri de artmaktadır. Araştırmacılar, yüksek bellek kullanımı sorununu çözmek için kısmi alt örnekleme kod çözme ve otomatik döşeme teknolojisini kullanırlar.Bu nedenle, makine görüşü, panoramik fotoğraflar gibi alışılmadık en boy oranlarına sahip büyük görüntülere bile çeşitli görüntülere uygulanabilir. Sorunsuz çalışabilir.
Vision ayrıca, görüntü tanıma çalışmasını optimize etmek için ara ürünleri doğru ve verimli bir şekilde kullanabilir . Yüz tanıma veya yüz işareti algılama gibi işler, birbirine bağlı ara maddeler aracılığıyla gerçekleştirilebilir. Ar-Ge personeli ilgili algoritmaların arayüzünü soyutlar ve işlenecek görüntünün veya arabelleğin sahiplik konumunu bulduktan sonra, Vision, ilgili görüntü görevlerinin hesaplama performansını iyileştirmek için otomatik olarak ara görüntüleri oluşturabilir ve önbelleğe alabilir.
Mentorluk sinir ağı eğitim yöntemi, aşırı sistem kaynağı işgal sorununu çözer
Vision'ın yüz algılama çalışması da çok sayıda GPU hesaplaması gerektirir, ancak GPU'nun kendisi çok güç tüketen bir mimaridir ve ayrıca hesaplama sırasında belirli bir miktarda bellek alanı kaplar. için Bellek kullanımını azaltmak için Ar-Ge personeli, hesaplama grafiğini analiz ederek sinir ağının boncuklarını dağıtır, böylece birden çok katman aynı tampona karşılık gelebilir. Bu teknoloji, performansı önemli ölçüde etkilemeden bellek kullanımını azaltabilir ve verimlilik ve esneklik dikkate alınarak CPU veya GPU üzerinde işlenebilir.
Arka planda derin sinir ağı çalışırken, ön plandaki sistem işlem akıcılığının hala tutarlı olmasını sağlamak için, Ar-Ge personeli, her bir çalışan iş parçacığı tarafından kullanılan CPU süresi 1 milisaniyeden az olana kadar ağın her katmanını GPU çalışmasına bölerek, işletim sisteminin uygulama bağlamını hızlı bir şekilde daha yüksek öncelikli bir göreve geçirmesine olanak tanır. , Kullanıcı deneyiminin tutarlı kalmasını sağlamak için UI animasyonlarının işlenmesi gibi.
Ar-Ge personeli temel bir sinir ağı kurmak için Vision'a güveniyor. ancak Ağ karmaşıklığı ve ölçeği Bu ağı sınırlı bilgi işlem kaynaklarına sahip terminal cihazlarına yerleştirmek hala en büyük zorluktur. Bu zorluğun üstesinden gelmek için, geliştiricilerin ağı nispeten basit bir topolojiyle sınırlandırması gerekir ve ağ katmanlarının sayısı, kanal sayısı ve evrişim filtresinin çekirdek boyutu da sınırlıdır.
Bu bir ikilemdir.Eğer ağ ölçeği çok küçükse, görüntüyü hızlı bir şekilde belirleyebilecek bir boru hattı oluşturmak yeterli olmayacaktır, ancak çok büyükse, performans, cep telefonu donanımının hesaplama performansı ile sınırlanacak, yavaş yanıt ve ciddi güç tüketimi ve ısınma ile sonuçlanacaktır. Deneyimi etkileyin. Aslında, nasıl denerseniz deneyin, tüm sinir ağını sadece 1GB cep telefonu belleğine taşımak imkansız bir işti. .
Ar-Ge personeli nihayet "öğretmen ve öğrenci" ye benzer bir eğitim yöntemini benimsemiştir. Daha az katmana sahip başka bir daha küçük "öğrenci" ağını eğitmek için tam ölçekli bir "ana" ağ kullanın Bu eğitimle, basit bir evrişimli ağ yapısına sahip bir öğrenci ağı, ana ağa çok yakın olan tanıma sonuçlarını gösterebilir. Sonunda sinir ağını telefona koyma planı nihayet gerçekleştirildi.
Neural Engine çipi ile birleştiğinde GPU ve CPU, deneyimi iyileştirmeye odaklanabilir
3 yıldır geliştirilen Vision, Apple tarafından bu yılki WWDC'de yayınlanan evrensel AI için bir makine öğrenimi çerçevesi olan OpenML'nin önemli bileşenlerinden biri haline geldi. Vision'a ek olarak, doğal dil işleme ve oyun geliştiricilere yardımcı olmak için fon eklendi. AI'yı oyuna aktaran GameplayKit gibi üç ana uygulama çerçevesi, bu geliştirme ortamları da derin öğrenme teknolojisini kullanıyor.
OpenML, iyi bir derin öğrenme performansı elde etmek için GPU ve CPU'nun bilgi işlem performansını iyi bir şekilde kullanabilse de, Ancak Apple mevcut durumdan memnun değil ve en iyi kullanıcı deneyimini elde etmek için özel derin öğrenme donanımı eklemesi gerektiğine inanıyor. , Bu şekilde, yalnızca sinir ağının ölçeği artırılamaz ve tanımanın doğruluğu güçlendirilebilir, aynı zamanda sistem gecikmelerine neden olmaz. , Apple'ın A11 yerleşik Neuro Engine'i Vision ile aynı anda geliştirmesinin ana nedeni de budur. .
Neuro Engine ile, derin öğrenme ile ilgili tüm çalışmalar bu özel çekirdek aracılığıyla işlenebilir. CPU ve GPU, arka plan görevlerinden rahatsız olmadan ön plan görevlerine odaklanabilir. Önceki tüm mimarilerden daha verimlidir. Bu bilgi işlem mimarisiyle hızlandırılan Face ID de son derece yüksek tanıma hızı ve doğruluğu gösteriyor. Neural Engine, 0,6 TOPS olan saniyede 600 milyon işlemlik bir çalışma verimliliği elde edebilir.Güç tüketimi sınırının koşulları altında, aslında endüstrinin en iyilerinden biri olan böyle bir verimlilik çıktısına ulaşabilir.
Ve Apple'ın yumuşak ve sert ekolojik geleceğinin vazgeçilmez bir parçası olarak, Neural Engine, tüm Apple terminalinin geliştirme ortamında da çok önemli bir konuma sahip olacak Sadece mevcut görüntü tanıma veya yüz tanıma çalışması değil, AR veya VR görüntülerinin oluşturulması veya bunların gelecekte gerçek dünyaya yerleştirilmesinin işlenmesi, derin öğrenme hesaplama performansını artırmada ve genel sistem güç tüketimi performansını optimize etmede kesinlikle rolünü oynayacaktır. Apple'ın ilgili uygulamalardaki deneyimini güçlendirin.
