报告主题:Creating smaller, faster, production-worthy mobile machine learning models
报告摘要:Jameson探索了可满足跨设备和平台的性能和准确性要求的灵活模型架构。您会发现修剪和蒸馏技术可以优化模型性能,量化工具可以将模型压缩到原始大小的一小部分。Jameson为您提供了此过程的实际示例,因为他创建了仅17 kb的艺术风格转移模型。所有这些技术都应用于移动机器学习框架,例如Core ML和TensorFlow Lite。
邀请嘉宾:Jameson Toole,是Fritz 的首席执行官和联合创始人,该公司致力于开发工具来帮助开发人员优化,部署和管理移动设备上的机器学习模型。此前,他为Google X的Project Wing建立了分析管道,并在波士顿技术初创公司Jana Mobile上负责数据科学团队。他拥有密歇根大学的物理学,经济学和应用数学学士学位,以及麻省理工学院的工程系统硕士学位和博士学位,在那里他致力于将大数据和机器学习应用到人类出行和城市规划中。