本篇文章4155字，读完约10分钟
黑豆下载网【科技在线】麒麟970真的是现在强势手机的ai芯片吗？ 至少苏黎世联邦理工学院的研究人员在他们开发的ai Benchmark APP应用中，搭载麒麟芯片的华为p20 pro的神经网络解决性能排名第一，排名第二，加6手机(搭载高通骁龙845 )之三。 该APP目前已在谷歌play store上线，任何人都可以测试自己的手机“是否准备好进入ai时代”。
链接到APP:play .谷歌/存储/应用程序/详细信息？ id=org.benchmark.demo
官方网站: ai-benchmark/tests
高通、华为、联发科有什么共同点？ 这三家制造商建立了加速手机、平板电脑等移动设备中的计算机视觉、nlp和其他机器学习任务的硬件架构。 但是，开发者很难评价哪个芯片对特定平台的算法进行了优化。 于是，eth zurich (苏黎世联邦理工大学)的研究者开发了一种叫做ai benchmark的APP，可以用于测试手机上的机器学习算法的性能。
但是，目前这个APP只适用于安卓智能手机。
美国海军足球俱乐部
据国外媒体techcruch报道，eth zurich的研究者开发了一个基准系统，用于判断常用ai任务中使用的许多神经网络架构。 他们希望用这种方法帮助ai研究人员、芯片制造商和安卓开发人员测试ai模型在不同设备上运行时的性能。
“因为没有相关的情况(指算法表达的新闻。 除了内置APP的ai算法融合到手机固件中以外，现在所有的ai算法都在服务器上远程运行)，所以我们希望开发一种能清晰地展示各设备表现和能力的工具。 “研究员andrey ignatov在接受techcrunch采访时做了以下发言。
ai benchmark app执行计算机视觉任务时的测试，照片: kyle wiggers/venture beat
目前手机的ai性能排名
ai benchmark app判断高端智能手机在执行图像分类、脸部识别、图像超分辨率、图像扩展、分割和模糊消除任务的一系列开源算法中的性能。 ai benchmark还可以测试无人车采用的神经互联网的性能，研究人员预测这个神经互联网最终可能会在类似高端智能手机芯片的芯片上工作。
在手机上打开该APP，将产生算法输出的可视化效果，并给出影响芯片系统和ram速度的分数。 (通常，神经互联网越大，解决它所需的内存就越多。 ）
虽然ai benchmark通过自己的测试打出了排行榜，但华为p20 pro以6397的得分位居榜首，排名第二的得分为1875。
1 .华为p20 pro 6397
2 .加6 1875
3 .索尼xperia xz2 1664
4 .三星galaxy s9+ 1494
5 .雷蛇Razer耳机1470
6 .三星galaxy s9 1446
7 .加5t 1440
8 .加5 1416
9 .三星Galaxy笔记本8 1408
10 .小米mi mix 2 1405
在该工具的官网上，它是目前排名前15位的手机型号。
机器哈茨小编也下载了ai benchmark。 长达5分钟，在全部9个项目的测试结束后，(耗电量变为4% )我们采用的国行版三星s9手机获得了1594分。 这个分数在高通845芯片的手机中不错，超过了官方排行榜上该型号手机原来的分数。 也许是固件更新的功劳？
那么，我们来比较一下这些旗舰机型所涵盖的结果吧？ ignatov将团队的初步成果总结为“因兴趣而荒唐”。
ignatov表示，高通量芯片能够加速与所有安卓版本不兼容的量化或压缩的神经互联网。 避开由高吞吐量勇敢的软件开发的典型互联网，ignatov认为，如果“适当的驱动”得以实现，那么hexagon dsp ai加速将会受益，尽管如此。
“如果你正在开发采用ai功能的APP，除非你开发的APP只为龙骁解决方案提供服务，否则龙骁soc不会得到任何加速。 ”ignatov说。
另一方面，华为长颈鹿芯片的性能可以提供近10倍的神经互联网加速，但这与量化的神经互联网不兼容。 华为表示，今年的长颈鹿芯片将支持量化神经互联网。 ( ignatov观察到华为p20和p20 pro是执行市售安卓8.1 Oreo为APP应用提供人工智能加速的手机。 ）
三星的exynos解决方案和联发科的neuropilot ai平台的评价结果略有偏差。
由于它只支持android 8.1或更高版本的ai加速，并且功耗优化和调节( power throttling )，性能变化“很大”，有时甚至达到50%。
另外，联发科的芯片组是什么样的，是支持量化神经互联网和普通神经互联网的模式，性能比三星和华为的硬件稍弱。
“总之，驲龙理论上是可以提供的结果，但缺乏强大的驱动力； 华为现在的结果比较突出，而且在不久的将来可能会很好； 三星目前不支持加速(因为三星目前正在开发自己的ai芯片，这种情况可能很快就会改变)，但是cpu很强大。联发科在中端设备上效果很好，但是没有什么突破。 ”ignatov说。
ai benchmark是怎么测试神经互联网性能的
官网显示，该benchmark包括9个在手机上运行独立神经互联网的计算机视觉任务。 这些互联网包含许多体系结构，可以判断处理人工智能问题的各种方法的表现和局限性。
任务1 :识别/分类目标
神经网络: mobilenet - v1 | cpu、npu、dsp
图像分辨率: 224 x 224 px
imagenet精度: 69.7%。
这是一个非常基础强大的神经互联网，可以根据一张照片识别1000个不同的对象类别，准确率约为70%。 经量化，其大小可小于5mb，结合低功耗存储器，可被大部分现有的高端智能手机采用。
任务2 :识别/分类目标
神经网络: inception - v3 | cpu、npu、dsp
图像分辨率: 346 x 346 px
imagenet精度: 78.0 %
这是对上一个互联网的进一步扩展。 更多，但成本是原来的4倍规模，对计算要求很高。 一个明显的特征是可以解决高分辨率的图像。 这意味着更识别，更小的目标检测。
任务3 :脸部识别
神经网络: inception - resnet - v1 |cpu
图像分辨率: 512x512 px
前锋得分: 0.987
这个任务不需要介绍太多。 从脸部照片中识别出这个身体。 实现的方法是，对于每个脸部图像，神经互联网对脸部进行编码，生成128维的特征向量。 的特征向量不会随变焦、移动和旋转而变化。 然后，从数据库中检索与该向量一致的特征向量(以及对应的身份)，数据库中包含数亿条新闻。
任务4 :模糊图像
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
还记得用手机拍的模糊的照片吗？ 这个任务是弄清楚图像。 在简单的情况下，该失真通过对未损坏的图像应用高斯模糊进行建模，并尝试使用神经互联网进行恢复。 在这个任务中，歧义被原始、简单、轻量的神经互联网srcnn (只有三个卷积层)去除。 但是，尽管如此，还是呈现出了相当令人满意的结果。
任务5 :图像的超分辨率
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
你有变焦照片的经验吗？ 缩放会导致失真、细节丢失或清晰度下降吗？ 这个任务是让缩放的照片看起来和原来的照片一样。 在这个任务中，互联网是为了执行同等的任务而被训练的。 是将指定的缩小图像(例如缩小到4倍)恢复到原图。 这里采用的是19层的vgg-19互联网。 目前来看，这个互联网的表现并不惊人，也无法重构高频部分，但对绘画来说是理想的处理方法。 这个互联网可以让图像更清晰，更光滑。
任务6 :图像的超分辨率
神经互联网:仅限srgan|CPU
图像分辨率: 512 x 512 px
set-5得分( x4 ) 29.40 db
任务相同，但完成方法略有不同。 如果用其他神经网络训练神经网络会怎么样？ 我们打算安排两个互联网来完成两个不同的任务。 互联网a试图处理上述超分辨率问题，互联网b注意其结果，找出其中的缺陷并惩罚互联网a。 很帅吗？ 其实真的很酷。 这个做法并不完美，但结果常常令人惊讶。
任务7 :语义图像分割
神经互联网:仅限ICnet|CPU
图像分辨率: 384 x 576 px
cityscapes(miou ):69.5 %
你有没有想过在手机上运行自动驾驶算法？ 也不是不可能。 至少完成大部分任务，可以从车载摄像机拍摄的照片中检测19种目标(例如，车、行人、路、日空等)。 下图显示了为低性能设备设计的icnet互联网像素级划分的结果。 每种颜色对应一个目标类别。
任务8 :扩展图像
神经网络: resnet - 12 | cpu、npu、dsp
图像分辨率: 128 x 192 px
dped psnr i-分数: 18.11 db
你不觉得看旧手机的照片太难受吗？ 我能处理这个问题。 经过良好训练的神经网络可以让旧手机(即使是iphone 3gs )的照片看起来非常好、很时尚。 为此，互联网必须注意并学习如何优化来自低端设备的照片，就像用dslr照相机拍摄的那样。 当然，这个奇迹有明显的缺陷。 例如，每次更换手机模型都必须重新训练互联网。 但是，得到的图像看起来非常好。 特别是旧设备的照片。
任务9 :内存限制
神经网络: srcnn 9-5-5 | cpu、npu、dsp
图像分辨率:4 mp
# #参数: 69.162
在任务4中，识别出了srcnn。 虽然这是一种轻量、简单的神经网络，但在解决高分辨率照片时，大部分手机都会“跪下”。 要解决高分辨率的照片，手机至少需要6gb的内存。 这个测试的目的是找出你的设备的极限。 这个简单的互联网到底能解决多少图像？
然后，可以去谷歌商店下载这个APP，测试用自己的手机运行神经互联网的能力。
