餐饮策划推荐！尽管相当数量的人工智能服务，是由云计算网络提供，但在响应低延迟、保护隐私、应用场景等方面，手机AI芯片无可替代。例如人脸解锁，图像增强、识别，智能助手，拍照场景识别，这些你我每天都会接触的功能，离不开手机神经引擎的加持。



AI-Benchmark测评



AI-Benchmark是苏黎世联邦理工学院（ETH Zürich）计算机视觉实验室Andrey Ignatov开发的AI基准测试程序，它不依赖于每个SoC供应商自己的SDK工具和API基准，能更客观地展示终端性能。

其测试任务包括以下9项（http://ai-benchmark.com/tests.html）：

目标识别/分类：这是一个非常基础但很强大的神经网络，能够基于一张照片识别1000个不同的对象类别，准确率约为70%。经过量化，其大小可小于 5MB，再加上低耗内存，可在几乎所有现有智能手机上使用。


精确目标识别/分类：这是对上一个网络的进一步扩展，更加精确，但代价是规模是原来的4倍，且对计算的要求较高。一个明显的优势是——它可以处理分辨率更高的图像，这意味着更精确的识别和更小目标的检测。

人脸识别：实现方式为，对于每个人脸图像，神经网络会对人脸编码并生成128维的特征向量，该特征向量不随缩放、移动或旋转而改变。然后在数据库中检索和此向量最匹配的特征向量（以及对应的身份），数据库里包含数亿个此类信息。

图像去模糊：模糊是通过一种最原始、最简单、最轻量级的神经网络 SRCNN（只有 3 个卷积层）去除的。即便如此，它仍然显示出相当令人满意的结果。

图像超分辨率：使用一个19层的VGG-19网络。尽管目前来看，该网络的表现并不惊艳，也不能重建高频部分。但它对于绘画仍是理想的解决方案，因为该网络可以让图像变得更加清晰、平滑。

另一种图像超分辨率：任务同上，但完成方法略有不同，如果使用其他神经网络训练我们的神经网络会如何？我们安排两个网络去完成两个不同的任务：网络尝试解决上面提到的超分辨率问题，网络B观察其结果，尝试找到其中的缺陷并惩罚网络A。

语义图像分割：根据车载摄像头拍摄的照片检测19类目标（如车、行人、路、天空等）。

图像增强：经过恰当训练的神经网络可以让旧手机上的照片看起来更时髦。

内存极限：任务4使用的SRCNN是最轻便、简单的神经网络之一，这项测试的目的是找到设备的极限，即这个最简易的网络到底能处理多大的图像。

餐饮策划：www.tian-ting.net/