深度神经网络-仿效人类大脑中神经元不道德的数学函数层-是最先进设备的机器翻译和异议识别系统的核心。它们有助将一种语言翻译成另一种语言并从名片中萃取地址。问题是，它们常常受到智能手机，可穿着设备和其他移动设备的硬件容许-特别是在内存和计算出来方面。不过，对于高性能的离线算法还有期望。
在本周于比利时布鲁塞尔举办的自然语言处置经验方法会议上公开发表的一篇论文中，谷歌研究人员叙述了离线的设备上AI系统-自我管理神经网络（SGNN）-它们构建了空中状态造成特定的对话框涉及任务。“在设备上研发和部署深度神经网络模型的主要挑战是：（1）微小的内存闲置，（2）推理小说延后和（3）与高性能计算出来系统（如CPU，GPU）比起贞着较低的计算出来容量和云上的TPU，“该团队写到。
“[SGGNs]容许我们在设备上以十分慢的速度计算出来起源于文本的投影，因为我们不必须存储起源于的文本和字映射。”正如该论文的作者所说明的那样，有许多方法可以设计一个轻量级的设备上文本分类模型，比如将模型与图形自学结合，这就是谷歌智能恢复中用于的模型，并自动分解结尾的电子邮件恢复。
但大多数要么无法很好地拓展，要么造成大型模型。相比之下，SGGN使用了局部脆弱散列（LSH）的改动版本，这种技术通过散列或同构输出项来增加数据中的维数，以便类似于的项以低概率同构到完全相同的“桶”。
顾名思义，它是自我掌控的-它可以通过动态地将输出切换为具备投影函数的低维回应来自学模型而需要初始化，读取或存储任何特征。此外，在对数据展开训练时，它学会自由选择并应用于对等价任务极具预测性的特定操作者。
该团队写到，这增加了数百万个独有单词的输出维度，延长了相同长度的短序列，并且需要存储文本和单词映射（代表单词和短语的向量）。
本文关键词：Google,的,设备,上,文本,分类,obo体育官网,准确率,达到,86.7%
本文来源：obo体育官网-www.meskall.com
