美團云GPU云主機在圖像識別領(lǐng)域的應用實(shí)踐

前言

近幾年人工智能迎來(lái)發(fā)展高峰，越來(lái)越多的人開(kāi)始意識到，機器可以通過(guò)學(xué)習擁有智能，進(jìn)而取代一部分人類(lèi)工作，這促成了人工智能的技術(shù)研究達到空前的熱度。深度學(xué)習便是目前主流的研究領(lǐng)域，并被認為是最具研究前景和發(fā)展潛力的方向。

深度學(xué)習的研究動(dòng)機是建立可模仿人腦進(jìn)行學(xué)習的神經(jīng)網(wǎng)絡(luò )，分為有監督學(xué)習和無(wú)監督學(xué)習兩種，目前主流的深度學(xué)習框架包括：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T(mén)ensorFlow、Caffe、Theano和MXNet，并介紹基于深度學(xué)習的圖像識別在美團酒旅業(yè)務(wù)中的應用實(shí)踐以及美團云GPU云主機在其中發(fā)揮的作用。

不同深度學(xué)習框架的對比

TensorFlow是谷歌開(kāi)源的一款深度學(xué)習框架，目前應用最為廣泛，支持圖像、文字、語(yǔ)音的識別，自然語(yǔ)言處理等功能，可以說(shuō)是一種通用型學(xué)習框架;Theano支持手寫(xiě)字識別、圖像分類(lèi)、自然語(yǔ)言處理等功能，但是比TensorFlow速度要快;Caffe在計算機視覺(jué)領(lǐng)域表現突出;MXNet是上述幾種框架中擴展性最好的，支持CNN(卷積神經(jīng)網(wǎng)絡(luò ))、RNN(遞歸神經(jīng)網(wǎng)絡(luò ))、LSTM(長(cháng)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)習框架。

下面通過(guò)語(yǔ)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(lái)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是這四種框架中最低的，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目;

Theano支持語(yǔ)言較少，其他方面表現都還不錯，是一種適合學(xué)術(shù)研究的學(xué)習框架。

在美團酒旅業(yè)務(wù)場(chǎng)景中，美團云提供預裝了TensorFlow框架的GPU云主機來(lái)進(jìn)行圖像識別訓練。

基于深度學(xué)習的圖像識別在酒旅業(yè)務(wù)中的應用

深度學(xué)習需要大規模數據的運算來(lái)訓練模型，其性能主要受GPU浮點(diǎn)運算能力的影響，所以選擇合適的GPU是提升訓練效率的重中之重。

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

美團云提供的GPU云主機搭載了NVIDIA Tesla M60 GPU，預裝了TensorFlow 1.1-GPU框架和Keras 2.0.4框架。M60可提供最高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)方面的結果，美團酒旅圖像識別的算法訓練所選用的就是預裝了TensorFlow 1.1-GPU框架的M60 GPU云主機。

在酒旅的業(yè)務(wù)場(chǎng)景中，身份信息驗證、機票驗證、在線(xiàn)值機、驗證碼驗證等都可以利用圖像識別尤其是OCR識別技術(shù)來(lái)支持系統自動(dòng)識別用戶(hù)信息，簡(jiǎn)化用戶(hù)操作流程，并提高信息錄入的速度和準確度。

驗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，因此在基于深度學(xué)習的OCR識別中，美團酒旅團隊選擇了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在大規模圖像處理中表現出色，因此用CNN來(lái)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 )，適合處理和預測時(shí)間序列中間隔和延遲相對較長(cháng)的重要事件，因此采用LSTM來(lái)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(lèi)，可以實(shí)現一個(gè)輸入序列一個(gè)輸出序列就可以完成訓練。因為在輸出長(cháng)度固定的情況下，選擇引入CTC來(lái)預測輸出。

(圖2：算法模型)

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

結語(yǔ)

除了在酒旅業(yè)務(wù)場(chǎng)景中應用圖像識別之外，美團點(diǎn)評在自然語(yǔ)言處理、人臉識別等多個(gè)領(lǐng)域都有所探索，美團云GPU云主機為上述領(lǐng)域的研究提供了訓練支撐，幫助加速訓練過(guò)程，完善算法。

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

此外，美團云于近日上線(xiàn)了深度學(xué)習平臺，并開(kāi)放了人臉識別、OCR識別等AI應用，提供一站式AI服務(wù)。