Core ML在EBooking APP中的实践和应用张继渊

2020-03-01 168浏览

1.CoreML在EBooking APP中的实践和应用
2.
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.
20.
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
35.
36.Q&A Thanks

Core ML在EBooking APP中的实践和应用 张继渊

Core ML在EBooking APP中的实践和应用张继渊