前言

近幾年人工智能迎來發(fā)展高峰，越來越多的人開始意識到，機(jī)器可以通過學(xué)習(xí)擁有智能，進(jìn)而取代一部分人類工作，這促成了人工智能的技術(shù)研究達(dá)到***的熱度。深度學(xué)習(xí)便是目前主流的研究領(lǐng)域，并被認(rèn)為是***研究前景和發(fā)展?jié)摿Φ姆较颉?/p>

深度學(xué)習(xí)的研究動機(jī)是建立可模仿人腦進(jìn)行學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩種，目前主流的深度學(xué)習(xí)框架包括：TensorFlow、Caffe、Theano、MXNet、Marvin、Torch等等。下面選擇其中4種框架進(jìn)行對比，分別為TensorFlow、Caffe、Theano和MXNet，并介紹基于深度學(xué)習(xí)的圖像識別在美團(tuán)酒旅業(yè)務(wù)中的應(yīng)用實(shí)踐以及美團(tuán)云GPU云主機(jī)在其中發(fā)揮的作用。

不同深度學(xué)習(xí)框架的對比

TensorFlow是谷歌開源的一款深度學(xué)習(xí)框架，目前應(yīng)用最為廣泛，支持圖像、文字、語音的識別，自然語言處理等功能，可以說是一種通用型學(xué)習(xí)框架;Theano支持手寫字識別、圖像分類、自然語言處理等功能，但是比TensorFlow速度要快;Caffe在計(jì)算機(jī)視覺領(lǐng)域表現(xiàn)突出;MXNet是上述幾種框架中擴(kuò)展性***的，支持CNN(卷積神經(jīng)網(wǎng)絡(luò))、RNN(遞歸神經(jīng)網(wǎng)絡(luò))、LSTM(長短期記憶網(wǎng)絡(luò))，并且也能夠支持多種功能，亞馬遜就選擇了MXNet作為其深度學(xué)習(xí)框架。

下面通過語言、速度、靈活性、適用模型、上手難度等方面對比四種框架。

 

 

(表1)

 

 

(圖1)

從表1中的綜合對比來看，這四種框架各有優(yōu)劣，MXNet綜合能力更全面。從圖1中可以看出單卡GPU處理下，MXNet的loss是這四種框架中***的，所用時(shí)間也最短。

TensorFlow在性能上和其他框架相比劣勢比較明顯，但靈活性很高，支持各種復(fù)雜的網(wǎng)絡(luò)模型，方便配置新的算法和環(huán)境并且支持可視化;

Caffe在圖片處理上的速度很快，用K40 GPU處理圖片可以達(dá)到2ms/張的速度，并且在學(xué)術(shù)及工業(yè)領(lǐng)域有很多可以借鑒的項(xiàng)目;

Theano支持語言較少，其他方面表現(xiàn)都還不錯(cuò)，是一種適合學(xué)術(shù)研究的學(xué)習(xí)框架。

在美團(tuán)酒旅業(yè)務(wù)場景中，美團(tuán)云提供預(yù)裝了TensorFlow框架的GPU云主機(jī)來進(jìn)行圖像識別訓(xùn)練。

基于深度學(xué)習(xí)的圖像識別在酒旅業(yè)務(wù)中的應(yīng)用

深度學(xué)習(xí)需要大規(guī)模數(shù)據(jù)的運(yùn)算來訓(xùn)練模型，其性能主要受GPU浮點(diǎn)運(yùn)算能力的影響，所以選擇合適的GPU是提升訓(xùn)練效率的重中之重。

選擇GPU主要考慮三方面因素：浮點(diǎn)運(yùn)算能力、功耗和成本。一般情況下，GPU的浮點(diǎn)計(jì)算能力與其功耗成正比，另外現(xiàn)在GPU的更新?lián)Q代速度比較快，所以大規(guī)模堆置高性能機(jī)器可能會造成一定程度的資源浪費(fèi)。

美團(tuán)云提供的GPU云主機(jī)搭載了NVIDIA Tesla M60 GPU，預(yù)裝了TensorFlow 1.1-GPU框架和Keras 2.0.4框架。M60可提供***4096個(gè)并行處理核心，16GB的GDDR5顯存及9.7TFlops 的單精度峰值性能。選擇M60也是綜合考量了性能、功耗以及成本三個(gè)方面的結(jié)果，美團(tuán)酒旅圖像識別的算法訓(xùn)練所選用的就是預(yù)裝了TensorFlow 1.1-GPU框架的M60 GPU云主機(jī)。

在酒旅的業(yè)務(wù)場景中，身份信息驗(yàn)證、機(jī)票驗(yàn)證、在線值機(jī)、驗(yàn)證碼驗(yàn)證等都可以利用圖像識別尤其是OCR識別技術(shù)來支持系統(tǒng)自動識別用戶信息，簡化用戶操作流程，并提高信息錄入的速度和準(zhǔn)確度。

驗(yàn)證識別中的主要流程包括：去噪點(diǎn)、去色、切片、模板對比、輸出5個(gè)環(huán)節(jié)，因此在基于深度學(xué)習(xí)的OCR識別中，美團(tuán)酒旅團(tuán)隊(duì)選擇了CNN(Convolutional Neural Network)+LSTM(Long Short-Term Memory)+CTC(Connectionist temporal classification)的組合算法方案：

——CNN即卷積神經(jīng)網(wǎng)絡(luò)，包括卷積層和池層，是一種前饋神經(jīng)網(wǎng)絡(luò)，CNN在大規(guī)模圖像處理中表現(xiàn)出色，因此用CNN來進(jìn)行圖像特征的提取;

——LSTM是遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的一種，即時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，適合處理和預(yù)測時(shí)間序列中間隔和延遲相對較長的重要事件，因此采用LSTM來提取時(shí)序關(guān)系最為合適;

——CTC是一種基于神經(jīng)網(wǎng)絡(luò)的時(shí)序分類，可以實(shí)現(xiàn)一個(gè)輸入序列一個(gè)輸出序列就可以完成訓(xùn)練。因?yàn)樵谳敵鲩L度固定的情況下，選擇引入CTC來預(yù)測輸出。

 

 

(圖2：算法模型)

基于此混合算法的模型訓(xùn)練，識別精度目前可以達(dá)到單次識別準(zhǔn)確率90%以上，5次識別準(zhǔn)確率99%以上，對于宋體、楷書等文字識別的準(zhǔn)確率可以達(dá)到80%以上。隨著模型和算法的優(yōu)化，準(zhǔn)確率還將不斷提升。

結(jié)語

除了在酒旅業(yè)務(wù)場景中應(yīng)用圖像識別之外，美團(tuán)點(diǎn)評在自然語言處理、人臉識別等多個(gè)領(lǐng)域都有所探索，美團(tuán)云GPU云主機(jī)為上述領(lǐng)域的研究提供了訓(xùn)練支撐，幫助加速訓(xùn)練過程，完善算法。

目前，美團(tuán)云主要提供單機(jī)單卡的GPU云主機(jī)，未來還將研究單機(jī)單卡、單機(jī)多卡與多機(jī)多卡等方式之間的性能及成本差異，提供更符合用戶需求的GPU計(jì)算服務(wù)。

 

此外，美團(tuán)云于近日上線了深度學(xué)習(xí)平臺，并開放了人臉識別、OCR識別等AI應(yīng)用，提供一站式AI服務(wù)。