本帖出自机器之心！ 侵删！
本帖出自机器之心！ 侵删！
本帖出自机器之心！ 侵删！

苏黎世联邦理工学院曾经开发了一款 AI Benchmark 应用，用于测试不同安卓设备和芯片的深度学习性能。近期，他们联合谷歌、高通、华为、联发科以及 Arm 发布了一篇 AI Benchmark 综合测试结果的论文，对超过 10000 部移动设备进行了定量 Benchmark 测试，涵盖了当今所有主要硬件配置，并全面比较了高通、海思、联发科和三星芯片组的 AI 加速性能。

前排
等看

摘要：近年来，手机、平板等移动设备的计算能力显著提升，达到了台式计算机不久之前的水平。尽管标准智能手机 app 对于手机来说已经不成问题，但还有一些任务（即运行人工智能算法）可以轻易难倒它们，甚至高端设备也不例外。本文介绍了深度学习在安卓生态系统中的现状，介绍了可用的框架、编程模型以及在智能手机上运行人工智能算法的局限性。我们概述了四个主要移动芯片组平台（高通、海思、联发科和三星）上的可用硬件加速资源。此外，我们还展示了用 AI Benchmark 收集的不同移动 SoC 的真实性能结果，AI Benchmark 的测试涵盖了当今所有主要硬件配置。

图 1：为第三方人工智能应用程序提供潜在加速支持的移动 SoC。

速度

AI Benchmark
AI Benchmark 是一款安卓应用程序，旨在检测在移动平台上运行 AI 和深度学习算法的性能和内存限制。该 Benchmark 包含由直接在安卓设备上运行的神经网络执行的几项计算机视觉任务。测试使用的网络代表了当前可部署在智能手机上的最流行、最常用的架构，其详细描述及应用程序的技术细节如下。

任务 1：目标识别/分类
神经网络：MobileNet - V1 | CPU, NPU, DSP
图像分辨率：224 x 224 px
ImageNet 准确率：69.7%。
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，它可在几乎所有现有智能手机上使用。

任务 2：目标识别/分类
神经网络：Inception - V3 | CPU, NPU, DSP
图像分辨率：346 x 346 px
ImageNet 准确率：78.0 %
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。

任务 3：人脸识别
神经网络：Inception - Resnet - V1 |CPU
图像分辨率：512x512 px
LFW 得分：0.987
这个任务无需过多介绍：根据人脸照片识别出这个人。实现方式如下：对于每个人脸图像，神经网络会对人脸编码并生成一个 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。

任务 4：图像去模糊
神经网络：SRCNN 9-5-5 | CPU, NPU, DSP
图像分辨率：300 x 300 px
Set-5 得分 (x3)：32.75 dB
还记得用手机拍出的模糊照片吗？这个任务就是：让图片变得清晰。在最简单的情况下，这种失真是通过对未损坏的图像应用高斯模糊来建模的，然后尝试使用神经网络来恢复它们。在这个任务中，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。但是即便如此，它仍然显示出相当令人满意的结果。

任务 5：图像超分辨率
神经网络：VGG - 19 | CPU, NPU, DSP
图像分辨率：192 x 192 px
Set-5 得分 (x3)：33.66 dB
你有过缩放照片的经历吗？缩放时是不是会有失真、细节丢失或清晰度下降的问题？这项任务就是让缩放过的照片看起来和原图一样。在本任务中，网络被训练用于完成一项等效的任务：将给定的缩小后图像（如缩小四倍）恢复至原图。此处我们使用一个 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：该网络可以让图像变得更加清晰、平滑。

任务 6：图像超分辨率
神经网络：SRGAN | 仅 CPU
图像分辨率：512 x 512 px
Set-5 得分（x4）：29.40 dB
任务同上，但完成方法略有不同：如果我们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 A 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。听起来是不是很酷？实际上真的很酷：尽管该方法不尽完美，但结果往往非常惊艳。

任务 7：语义图像分割
神经网络：ICNet | 仅 CPU
图像分辨率：384 x 576 px
CityScapes (mIoU)：69.5 %
有没有想过在手机上运行自动驾驶算法？这没什么不可能，至少你可以完成一大部分任务——根据车载摄像头拍摄的照片检测 19 类目标（例如，车、行人、路、天空等）。在下图中，你可以看到最近专为低性能设备设计的 ICNet 网络的像素级分割结果（每个颜色对应每个目标类别）。