2020年10月浏览器市场报告

总结一句话，东西好是好，目前缺点也很多。因此用户希望在费用和体验之间找到一个平衡，不少人仍处于观望纠结阶段，不知道从哪里下手。

目前各大运营商推出的 5G 手机套餐，哪一个才更加适合你呢?作为首家全面深入细致整理 5G 手机套餐的媒体，爱范儿希望能帮到你。

Tips：

• 本文仅对比广东省中国移动、中国联通、中国电信三大运营商官网上主力推荐的套餐，且仅对比原价，不对比新用户首年优惠价
• 运营商一般会给予营业厅一定权限，营业厅可能有相同价格不同套餐、相同套餐不同价格的情况，本文不做对比，欢迎大家在评论区补充
• 欢迎大家在评论区晒出自己觉得不错的 5G 套餐

5G 手机套餐挑花眼

经过一年多的预热以及 5G 基站的铺设，5G 手机套餐终于迎来了爆发潮，从 128 元到几百元不等的套餐都有。
 

随着 iPhone 12 推出，5G 终于补全了最后一块「系统真空地带」。

总体来讲，大家是期待 5G 的，更快的速率，更低的延迟，好处多多，潜力无限。这对经历过 2G-3G-4G 时代的用户来讲，无需多费口舌。

但 5G 手机套餐在推出之初，也有很多不足之处。例如，5G 手机套餐费用较 4G 有明显上涨，高速网络暂时也找不到颠覆性的应用场景，实际延迟稳定数据理论上无法突破真光纤物理极限等。
 

此外，虽然模型必须存储在设备上，但模型还必须能够进行推理。这意味着微控制器必须有足够大的内存，以便能够运行(1)其操作系统和库，(2)神经网络解释器(如TF Lite)，(3)存储的神经权重和神经架构，以及(4)推理过程中的中间结果。因此，在tinyML的研究论文中，经常引用量化算法的峰值内存使用量，以及内存使用量、乘积单元（MAC）数量、精度等。

为什么不在设备上训练？

在设备上进行训练会带来额外的复杂性。由于数值精度的降低，要保证充分训练网络所需的精度水平变得非常困难。标准台式计算机上的自动微分方法大约精确到机器精度。计算导数的精度达到10^-16是令人难以置信的，但利用8位值的自动微分会导致较差的结果。在反向传播过程中，这些导数会被复合并最终用于更新神经网络参数。在数值精度如此之低的情况下，这种模型的精度可能会很差。 

也就是说，神经网络已经使用16位和8位浮点数进行训练。

第一篇研究在深度学习中降低数值精度的论文是2015年Suyog Gupta及其同事的论文“Deep Learning with Limited Numerical Precision”。这篇论文的结果很有意思，它表明32位浮点表示法可以减少到16位定点表示法，而精度基本没有下降。然而，只有在使用随机舍入时才会出现这种情况，因为平均而言，它会产生的无偏结果。

2018年，王乃刚及其同事在“Training Deep Neural Networks with 8-bit Floating Point Numbers”一文中，使用8位浮点数训练了一个神经网络。由于在反向传播过程中需要保持梯度计算的保真度（使用自动微分能够达到机器精度），因此使用8位数字而不是推理来训练神经网络要实现的挑战要困难得多。 

计算效率如何？

也可以对模型进行定制，使其计算效率更高。广泛部署在移动设备上的模型架构，如MobileNetV1和MobileNetV2就是很好的例子。这些本质上是卷积神经网络，它们重塑了卷积运算以使其具有更高的计算效率。这种更高效的卷积形式被称为深度可分离卷积。还可以使用基于硬件的性能分析和神经网络结构搜索来优化体系结构的延迟，本文不涉及这些问题。

下一场AI革命

在资源有限的设备上运行机器学习模型的能力为许多新的可能性敞开了大门。发展更加节能的标准机器学习，这将有助于消除对数据科学对环境影响的担忧。此外，tinyML允许嵌入式设备具有基于数据驱动算法的新型智能，这可以用于从预防性维护到在森林中探测鸟声等任何事情。 

虽然一些机器学习从业者无疑会继续扩大模型的规模，但一种新的趋势正在向更节省内存、计算和能源的机器学习算法发展。TinyML还处于萌芽阶段，这方面的专家很少。我建议有兴趣的读者查阅参考文献中的一些论文，这些论文都是tinyML领域的一些重要论文。这个领域发展迅速，在未来几年内将成为人工智能在工业领域的一个新的重要应用。请关注这个领域。

（编辑：南昌站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!