成都 网站 建设,深圳网站公司制作,河东区建设局网站,阿里云网站中文基于AI的淡水养殖水质溯源、优化系统方案 前言一、关键需求及方案概述二、方案设计预测机制LSTM 模型基于intel AI 的时序水质分析模型与分类模型优化 三、实战分析1、方案简述2、数据分析预处理特征类型处理特征分布分析 3、特征构造4、特征选择过滤法重要性排序 5.构建LSTM模… 基于AI的淡水养殖水质溯源、优化系统方案 前言一、关键需求及方案概述二、方案设计预测机制LSTM 模型基于intel AI 的时序水质分析模型与分类模型优化 三、实战分析1、方案简述2、数据分析预处理特征类型处理特征分布分析 3、特征构造4、特征选择过滤法重要性排序 5.构建LSTM模型6.模型训练 四、Intel Ai Analytics Toolkit 及相关库使用Intel ® ModinIntel ® Extension for Scikit-learnIntel daal4pyIntel ® XGBoostIntel ® Extension for PyTorch功耗更低速度更快的Tesla T4 总结 前言 近年来水产品总产量逐年上升。由于日本排海事件的发酵及不良营销水产品供需发生变化淡水水产需求增大所以加强水产养殖的信息化建设,建立水产养殖监测、预警和管理的综合体系显得十分重要 。水质的安全关乎水产养殖的产量和质量在养殖过程中,对水质实现动态的监测和预警能提升养殖过程的稳健性。 传统的水质监测系统,存在系统精度低,系统控制延迟高,不能进行预测和提前预警等问题。 本次Intel 黑客松大赛我基于Intel Ai Analytics Toolkit 及边缘计算设备实现溶氧预测水产养殖监测方案。
一、关键需求及方案概述
传统水产养殖水质监测系统具有不能提前预警、通信延迟高的问题,对于时序数据处理能力较差核心需解决的是时序数据的分析处理能力。
该方案以基于Intel优化的 水质预测算法为核心针对于不同场景的特征分布进行定向分析实现水质溯源档案、重金属富集预测、溶氧预测、水华预警预测、兽药残留检测等功能。
其中时序数据通过物联数据采集模块实现水质数据采集和端处理的功能,采样周期为 1 min。 采集系统电路连接多种传感器获取模拟信号,经过 MCU 识别和计算后将结果值保存到本地寄存器作为上报的原始数据。 使用Intel Ai Analytics Toolkit 通过对采集数据的处理、分析、训练、预测、实现预测模型。
二、方案设计
预测机制
应用边缘计算的方法,将云服务器的计算和控制任务卸载到上位机,来降低系统控制延迟。 上位机系统实现数据预测的功能,当数据预测或采集数据中出现预警值时,上位机及时向增氧机发出增氧的指令,防范水中出现低氧的情况。 上位机系统配置有预测进程和数据收发进程,两个进程并行计算。同时上报至云服务的数据会进行二次分析进行日级别的重金属富集、水华预警预测、兽药残留预测、环境污染检测等模型分析。 下面是溶氧预测的流畅图。
LSTM 模型
长短时记忆网络 Long short-term memoryLSTM 是一种循环神经网络 (Recurrent neural network, RNN)的特殊变体具有“门”结构通过门单元的逻辑控制决定数据是否更新或是选择丢弃克服了 RNN 权重影响过大、容易产生梯度消失和爆炸的缺点使网络可以更好、更快地收敛能够有效提高预测精度。LSTM 拥有三个门 分别为遗忘门、输入门、输出门以此决定每一时刻信息记忆与遗忘。输入门决定有多少新的信息加入到细胞当中遗忘门控制每一时刻信息是否会被遗忘输出门决定每一时刻是否有信息输出。其基本结构如图所示。
基于intel AI 的时序水质分析模型与分类模型优化
通过针对预测水域质量的数据集我们从多个角度对其展开分析包括不限于缺失值分析、异常值分析、不规则分布分析、离散/连续数据分析等。
在分析过程中我们使用了 英特尔® Modin 分发版提升pandas处理与探索数据 英特尔® Extension for Scikit-learn提升基线模型SVM等的执行效率 英特尔® 架构优化的 XGBoost作为我们最终的分类模型进行效果的提升与验证。
三、实战分析
1、方案简述
根据物联设备本次使用的是开源数据模拟获取的数据集进行特征构造用于预测目标水域质量围绕特征与目标间的关联表现进行特征筛选利用英特尔® Modin 分发版提升pandas处理特征集的效率得到了50维相关特征作为最终的入模特证。最后利用英特尔® 架构优化的XGBoost模型进行二分类。 完成模型后使用Intel Extension for PyTorch提供的分布式训练功能利用多台机器和多GPU进行训练。通过使用ipex.distributed.DistributedDataParallel()来包装模型并在Tesla T4GPU上并行训练数据。
环境配置
2、数据分析
预处理
首先获取一份水质监测的离线数据针对于后续可能实现的污染监测、重金属富集加入一些随机特征进行模拟。然后将该数据集按照52.52.5的比例划分为训练集、验证集、测试集。测试集仅在模型推理阶段时使用可以防止数据穿越等问题的发生并能够准确对模型关于预测目标的拟合效果进行评估。
特征类型处理
1、划分类别特征, 数值特征
# 划分类别特征, 数值特征
cat_cols, float_cols [], [Target]
for col in data.columns:if data[col].value_counts().count() 50:cat_cols.append(col)else:float_cols.append(col)
print(离散特征, cat_cols)
print(连续特征, float_cols) 离散特征 [‘Color’, ‘Source’, ‘Month’, ‘Day’, ‘Time of Day’, ‘Target’] 连续特征 [‘Target’, ‘pH’, ‘Iron’, ‘Nitrate’, ‘Chloride’, ‘Lead’, ‘Zinc’…] 2、针对离散特征进行缺失值处理
# 查看缺失值情况
display(data[cat_cols].isna().sum())
missingdata[cat_cols].isna().sum().sum()
print(\nThere are {:,.0f} missing values in the data..format(missing))
print(- * 50)
其中像月份属于有序类别特征如果单纯地映射数字会破坏掉这种有序性对于这类数据进行单独映射。
......
# 将月份映射至数字1~12
months [January, February, March, April, May,June, July, August, September, October,November, December]
data[Month] data[Month].replace(dict(zip(months, range(1, len(months) 1))))
display(data[Month].value_counts())
......
针对明显无序的类别特征我们对其进行独特编码处理。对于有序类别特征我们不对其进行额外处理。
......
# 将无序类别特征进行独特编码
color_ohe OneHotEncoder()
X_color color_ohe.fit_transform(data.Color.values.reshape(-1, 1)).toarray()
pickle.dump(color_ohe, open(../feat_data/color_ohe.pkl, wb)) # 将编码方式保存在本地
dfOneHot pandas.DataFrame(X_color, columns[Color_ str(int(i)) for i in range(X_color.shape[1])])
data pandas.concat([data, dfOneHot], axis1)
......由于连续变量存在数据缺失的情况所以我们通过统计每个连续类别对应的中位数对缺失值进行填充。
display(data[float_cols].isna().sum())
missingdata[float_cols].isna().sum().sum()
print(\nThere are {:,.0f} missing values in the data..format(missing))
# 使用中位数填充连续变量每列缺失值
fill_dict {}
for column in list(data[float_cols].columns[data[float_cols].isnull().sum() 0]):tmp_list list(data[column].dropna())# 平均值mean_val sum(tmp_list) / len(tmp_list)# 中位数tmp_list.sort()mid_val tmp_list[len(tmp_list) // 2]if len(tmp_list) % 2 0:mid_val (tmp_list[len(tmp_list) // 2 - 1] tmp_list[len(tmp_list) // 2]) / 2fill_val mid_val# 填充缺失值data[column] data[column].fillna(fill_val)fill_dict[column] fill_val
特征分布分析
# 针对每个连续变量的频率画直方图
data[float_cols].hist(bins50,figsize(16,12)) 对于非常不规则的数据进行非线性变换。
# 针对不规则分布的变量进行非线性变换一般进行log
log_col [Iron, Zinc, Turbidity, Copper, Manganese]
show_col []
for col in log_col:data[col _log] np.log(data[col])show_col.append(col _log)# 特殊地由于Lead变量0值占据了一定比例此处特殊处理Lead变量
excep_col [Lead]
spec_val {}
# 先将0元素替换为非0最小值再进行log变换
for col in excep_col:spec_val[col] data.loc[(data[col] ! 0.0), col].min()data.loc[(data[col] 0.0), col] data.loc[(data[col] ! 0.0), col].min()data[col _log] np.log(data[col])show_col.append(col _log)data[show_col].hist(bins50,figsize(16,12)) 可以发现上述不规则分布的变量经过log之后已经变成了模型更容易拟合的类正态分布。
3、特征构造
由于特征之间往往隐藏着很多相关的信息等待挖掘此处进行特征关联得到新的特征。由于时间关系此处我们仅以类别特征进行分组去依次统计其余特征在组内的中位数、均值、方差、最大值、最小值、计数特征挖掘有效的交互特征。
......
# 特征交互统计
cat_interaction_dict {}
del_feat_list []
if del_feat_list in count_fea_dict:del_feat_list count_fea_dict[del_feat_list]
add_feat_list []for cat_col1 in cat_cols:if cat_col1 label_col:continuenew_col cat_col1 _countif new_col not in data.columns and new_col not in del_feat_list:add_feat_list.append(new_col)temp data.groupby(cat_col1).size()cat_interaction_dict[new_col] dict(temp)temp temp.reset_index().rename(columns{0: new_col})data data.merge(temp, left, oncat_col1)for cat_col2 in cat_cols:if cat_col2 label_col:continueif cat_col1 cat_col2:continuenew_col cat_col1 _ cat_col2 _countif new_col not in data.columns and new_col not in del_feat_list:add_feat_list.append(new_col)temp data.groupby(cat_col1)[cat_col2].nunique()cat_interaction_dict[new_col] dict(temp)temp temp.reset_index().rename(columns{cat_col2: new_col})data data.merge(temp, left, oncat_col1)
......
4、特征选择
过滤法
由于本次目标是对淡水质量是否可用进行二分类预测所以我们针对包含构造特征的所有特征数据对于离散特征利用卡方检验判断特征与目标的相关性对于连续特征利用方差分析判断特征与目标的相关性以此做特征集的第一轮筛选。
# 卡方检验对类别特征进行筛选
def calc_chi2(x, y):import pandas as pdimport numpy as npfrom scipy import statschi_value, p_value, def_free, exp_freq -1, -1, -1, []tab pd.crosstab(x, y)if tab.shape (2, 2):# Fisher确切概率法, 2✖️2列联表中推荐使用Fisher检验oddsr, p_value stats.fisher_exact(tab, alternativetwo-sided)else:# Pearson卡方检验, 参数correction默认为Truechi_value, p_value, def_free, exp_freq stats.chi2_contingency(tab, correctionFalse)min_exp exp_freq.min()if min_exp 1 and min_exp 5:# Yates校正卡方检验chi_value, p_value, def_free, exp_freq stats.chi2_contingency(tab, correctionTrue)return chi_value, p_value, def_free, exp_freqdef select_feat_by_chi2(df, cate_cols, target_col, alpha0.05, cut99999):col_chi2_list []for col in cate_cols:chi_value, p_value, def_free, exp_freq calc_chi2(df[col], df[target_col])if p_value alpha:col_chi2_list.append([col, chi_value])col_chi2_list sorted(col_chi2_list, keylambda x: x[1], reverseFalse)rel_cols []for i in range(min(len(col_chi2_list), cut)):rel_cols.append(col_chi2_list[i][0])return rel_colsdata {a: [Ohio, Ohio, Ohio, Nevada, Nevada, Nevada],b: [2000, 2001, 2002, 2001, 2000, 2002],Target: [0, 0, 1, 1, 1, 0]
}
df pd.DataFrame(data)
cols [a, b]
select_feat_by_chi2(df, cols, Target)
# 方差分析法对连续特征进行筛选
def calc_fc(x, y):import pandas as pdimport statsmodels.api as smfrom statsmodels.formula.api import olstab pd.DataFrame({group: y, feat: x})tab[group] tab[group].astype(str).map(lambda x: g_ x)mod ols(feat ~ group, datatab).fit() ano_table sm.stats.anova_lm(mod, typ2)F ano_table.loc[group, F]p_value ano_table.loc[group, PR(F)]return F, p_valuedef select_feat_by_fc(df, cate_cols, target_col, alpha0.05, cut99999):from scipy import statscol_F_list []for col in cate_cols:F, p_value calc_fc(df[col], df[target_col])F_test stats.f.ppf((1-alpha), df[target_col].nunique(),len(df[col]) - df[target_col].nunique())# p值小于显著性水平 or MSa/MSe大于临界值则拒绝原假设认为各组样本不完全来自同一总体if p_value alpha or F F_test:col_F_list.append([col, F])col_F_list sorted(col_F_list, keylambda x: x[1], reverseFalse)rel_cols []for i in range(min(len(col_F_list), cut)):rel_cols.append(col_F_list[i][0])return rel_colsdata {a: [0.13, 0.09, 0.2, 0.11, 0.13, 0.15],b: [2000, 2001, 2002, 2001, 2000, 2002],Target: [0, 0, 1, 1, 1, 0]
}
df pd.DataFrame(data)
cols [a, b]
select_feat_by_fc(df, cols, Target)
重要性排序
针对第一轮筛选剩余的150维特征使用模型去进行拟合并根据最后模型产出的特征重要性从大到小排序根据重要性以及设定阈值对特征进行第二轮筛选。
# 模型训练函数
def train(data):## Prepare Train and Test datasets ##print(Preparing Train and Test datasets)X_train, X_test, y_train, y_test prepare_train_test_data(datadata,target_colTarget,test_size.25)## Initialize XGBoost model ##ratio float(np.sum(y_train 0)) / np.sum(y_train 1)parameters {scale_pos_weight: len(raw_data.loc[raw_data[Target] 0]) / len(raw_data.loc[raw_data[Target] 1]),objective: binary:logistic, learning_rate: 0.1,n_estimators: 18,max_depth: 10,min_child_weight: 5,alpha: 4,seed: 1024,}xgb_model XGBClassifier(**parameters)xgb_model.fit(X_train, y_train)print(Done!\nBest hyperparameters:, grid_search.best_params_)print(Best cross-validation accuracy: {:.2f}%.format(grid_search.best_score_ * 100))## Convert XGB model to daal4py ##xgb grid_search.best_estimator_daal_model d4p.get_gbt_model_from_xgboost(xgb.get_booster())## Calculate predictions ##daal_prob d4p.gbt_classification_prediction(nClasses2,resultsToEvaluatecomputeClassLabels|computeClassProbabilities,fptypefloat).compute(X_test,daal_model).probabilities # or .predictionsxgb_pred pd.Series(np.where(daal_prob[:, 1] .5, 1, 0), nameTarget)xgb_acc accuracy_score(y_test, xgb_pred)xgb_auc roc_auc_score(y_test, daal_prob[:, 1])xgb_f1 f1_score(y_test, xgb_pred)## Plot model results ##print(\ndaal4py Test ACC: {:.2f}%, F1 Accuracy: {:.2f}%, AUC: {:.5f}.format(xgb_acc * 100, xgb_f1 * 100, xgb_auc))# plot_model_res(model_nameXGBoost, y_testy_test, y_probdaal_prob[:, 1])importance_df pd.DataFrame({importance:xgb.feature_importances_,feat_name: data.drop(Target, axis1).columns})importance_df importance_df.sort_values(byimportance, ascendingFalse)return importance_dfimportance_df train(data)
display(importance_df.head())
针对现有的150维特征对XGB模型进行拟合并针对输出的特征重要性得分进行排序将小于阈值的特征进行过滤。
5.构建LSTM模型
LSTM 模型的关键是单元状态,即贯穿图表顶部的水平线。 每个单元就像一个微型状态机,单元三个门的权重在训练过程中学习得到。 遗忘门是 主要由 σ 层组成,σ 层根据 ht-1 和 xt 的输入,通过 sigmoid 激活函数计算信息的丢弃情况,生成一个 0 到 1 之间的结果 ft,0 表示全部丢弃,1 表示 全部保留。 ft 用于与 Ct-1 输入矩阵做点乘运算。 输入门会生成新的信息存储到单元状态中,主要由 σ 层和 tanh 层决定。 通过运算,单元状态从 Ct-1 更新为 Ct。 输出门决定输出的结果,由 σ 层、tanh 层和更新后的单元状态 Ct 共同决定。
其中: ft、it∗Ct、ht 分别表示 t 时刻单元中遗忘门、输入门、输出门的结果; σ 为 sigmoid 激活函数; W为权重; ht-1 、xt 为 单元输入; bf、bi、bc、bo 均为偏差矩阵;tanh 表示激活函数; Ct-1 为初始单元状态; Ct 为更新后的单元状态; ht 为单元的状态输出;ot 表示输出的信息量
将时间序列转换为监督学习问题 将时间序列形式的数据转换为监督学习集的形式例如[[10],[11],[12],[13],[14]]转换为[[0,10],[10,11],[11,12],[12,13],[13,14]]即把前一个数作为输入后一个数作为对应输出。
def series_to_supervised(data, n_in1, n_out1, dropnanTrue):n_vars 1 if type(data) is list else data.shape[1]df DataFrame(data)cols, names list(), list()# input sequence (t-n, ... t-1)for i in range(n_in, 0, -1):cols.append(df.shift(i))names [(var%d(t-%d) % (j 1, i)) for j in range(n_vars)]# forecast sequence (t, t1, ... tn)for i in range(0, n_out):cols.append(df.shift(-i))if i 0:names [(var%d(t) % (j 1)) for j in range(n_vars)]else:names [(var%d(t%d) % (j 1, i)) for j in range(n_vars)]# put it all togetheragg concat(cols, axis1)agg.columns names# drop rows with NaN valuesif dropnan:agg.dropna(inplaceTrue)return aggreframed series_to_supervised(scaled, 2, 1)初始化LSTM模型设置神经元核心的个数迭代次数优化器等等
model Sequential()
model.add(LSTM(27, input_shape(train_X.shape[1], train_X.shape[2])))
model.add(Dropout(0.5))
model.add(Dense(15,activationrelu))#激活函数
model.compile(lossmae, optimizeradam)
history model.fit(train_X, train_y, epochs95, batch_size2, validation_data(test_X, test_y), verbose2,shuffleFalse)6.模型训练
针对经过两轮筛选得到的50维入模特征使用RandomizedSearchCV对XGBoost的重要参数进行搜索同时使用StratifiedKFold对模型效果进行交叉验证。
......
import modin.pandas as pd
from modin.config import Engine
Engine.put(dask)
......
from sklearn.preprocessing import OneHotEncoder
from sklearnex import patch_sklearn
patch_sklearn()
......
from sklearn.model_selection import train_test_split, StratifiedKFold, GridSearchCV, RandomizedSearchCV
from sklearn.preprocessing import RobustScaler, StandardScaler
from sklearn.metrics import make_scorer, recall_score, precision_score, accuracy_score, roc_auc_score, f1_score
from sklearn.metrics import roc_auc_score, roc_curve, auc, accuracy_score, f1_score
from sklearn.metrics import precision_recall_curve, average_precision_score
from sklearn.svm import SVC
from xgboost import plot_importance
import pickle
......
# 模型训练函数
def train(data):## Prepare Train and Test datasets ##print(Preparing Train and Test datasets)X_train, X_test, y_train, y_test prepare_train_test_data(datadata,target_colTarget,test_size.25)## Initialize XGBoost model ##ratio float(np.sum(y_train 0)) / np.sum(y_train 1)parameters {scale_pos_weight: len(raw_data.loc[raw_data[Target] 0]) / len(raw_data.loc[raw_data[Target] 1]),objective: binary:logistic, learning_rate: 0.1,n_estimators: 18,max_depth: 10,min_child_weight: 5,alpha: 4,seed: 1024,}xgb_model XGBClassifier(**parameters)## Tune hyperparameters ##strat_kfold StratifiedKFold(n_splits3, shuffleTrue, random_state21)print(\nTuning hyperparameters..)grid {min_child_weight: [1, 5, 10],gamma: [0.5, 1, 1.5, 2, 5],max_depth: [15, 17, 20],strat_kfold StratifiedKFold(n_splits3, shuffleTrue, random_state1024)grid_search RandomizedSearchCV(xgb_model, param_distributionsgrid, cvstrat_kfold, n_iter10, scoringaccuracy, verbose1, n_jobs-1, random_state1024)grid_search.fit(X_train, y_train)print(Done!\nBest hyperparameters:, grid_search.best_params_)print(Best cross-validation accuracy: {:.2f}%.format(grid_search.best_score_ * 100))## Convert XGB model to daal4py ##xgb grid_search.best_estimator_daal_model d4p.get_gbt_model_from_xgboost(xgb.get_booster())## Calculate predictions ##daal_prob d4p.gbt_classification_prediction(nClasses2,resultsToEvaluatecomputeClassLabels|computeClassProbabilities,fptypefloat).compute(X_test,daal_model).probabilities # or .predictionsxgb_pred pd.Series(np.where(daal_prob[:, 1] .5, 1, 0), nameTarget)xgb_acc accuracy_score(y_test, xgb_pred)xgb_auc roc_auc_score(y_test, daal_prob[:, 1])xgb_f1 f1_score(y_test, xgb_pred)## Plot model results ##print(\ndaal4py Test ACC: {:.2f}%, F1 Accuracy: {:.2f}%, AUC: {:.5f}.format(xgb_acc * 100, xgb_f1 * 100, xgb_auc))# plot_model_res(model_nameXGBoost, y_testy_test, y_probdaal_prob[:, 1])##importance_df pd.DataFrame({importance:xgb.feature_importances_,feat_name: data.drop(Target, axis1).columns})importance_df importance_df.sort_values(byimportance, ascendingFalse)print(model saving...)pickle.dump(xgb, open(../result/model_best.dat, wb))return importance_df四、Intel Ai Analytics Toolkit 及相关库使用
Intel ® Modin
本方案使用了Intel ® Modin 分发版提升pandas处理与探索数据Intel 为Pandas库提供了基于Dask的并行计算功能。通过配置引擎代码将使用Dask作为默认的并行计算引擎在使用Pandas或Modin进行数据处理和分析时将利用Dask的分布式计算能力来加速操作。
Intel ® Extension for Scikit-learn
本方案使用 Intel® Extension for Scikit-learn的目的是提升基线模型SVM等的执行效率
其中包含使用Intel scikit-learn的StandardScaler进行特征缩放并使用train_test_split函数进行数据集分割。在完成分割后函数还将scaler对象保存到文件中并打印训练集的形状。同时使用了intel优化的NearestNeighbors、RobustScaler等类进行聚类、分类、标准化动作。
Intel daal4py
在oneAPI提供的daal4py模型的加速下算法的推理速度能得到了更大的提升同时在特征选择和模型训练中当数据集的某些特性不符合特定条件时需要应用特定的补丁来处理这些特性。PatchingConditionsChain 类提供了一种方便的方式来创建和管理这些补丁条件链。
Intel ® XGBoost
Intel XGBoost的XGBClassifier是一个基分类器它使用XGBoost算法进行分类任务。该分类器默认使用gbtree作为基分类器并支持并行计算处理。XGBClassifier和XGBRegressor类提供了nthread参数用于在训练期间可以使用的线程数。 我们通过调整模型的nthread、n_estimators、learning_rate等参数来优化模型的性能。
Intel ® Extension for PyTorch
首先使用Intel Scikit-learn库提供的预处理函数来对数据进行归一化以加速神经网络的训练。可以使用sklearn_ipydnn.Normalize()函数对输入数据进行归一化。 然后使用Intel Scikit-learn库提供的优化器来替换PyTorch的优化器。例如sklearn_ipydnn.Adam()函数来替换PyTorch的Adam优化器。这些优化器针对Intel MKL进行了优化可以加速训练过程。
功耗更低速度更快的Tesla T4 完成模型后使用Intel Extension for PyTorch提供的分布式训练功能利用多台机器和多GPU进行训练。通过使用ipex.distributed.DistributedDataParallel()来包装模型并在Tesla T4 GPU上并行训练数据。
将数据加载到GPU内存中以加速数据传输和处理。可以使用PyTorch的torch.cuda.is_available()函数检查是否有可用的GPU然后使用.to(device)方法将数据和模型移动到GPU上。
总结 最终我们经过多次训练模型在训练集的平均准确率约91.42%验证集上的准确率达到90.89%针对单条数据的推理时间为0.03s。针对特殊处理出来的测试集上准确率达到91.21%最高准确率可达92.99%。上图是其中一次训练结果的展示结果该结果有力地验证了本模型的有效性。
上述方案我们规划并实现了一个简单的淡水养殖水质溯源系统同时采用了Intel ® Modin 、Intel ® Extension for Scikit-learn、 Intel daal4py、Intel ® XGBoost、Intel ® Extension for PyTorch、Tesla T4加速等多种手段大大提高了推理速度和系统鲁棒性验证了我们提出模型的有效性、高效性、可行性。
