【嘉德点评】AI头部公司旷视在安防之路上偏向硬件，软硬一体全链条，见效快、成功率高。

集微网消息，11月21日，据国外媒体报道，知情人士称，人工智能(AI)初创公司旷视科技(Megvii)计划在周四寻求香港首次公开发行(IPO)获批，至少筹资5亿美元。

旷视科技主营业务为向用户提供人工智能赋能的解决方案，覆盖个人物联网、城市物联网和供应链物联网领域，拥有人脸识别、物流机器人、智慧物流平台河图等人工智能产品。

神经网络的灵感来自于人体大脑结构，人在思考问题的时候，神经冲动就会在神经突触所连接的无数神经元中传递。据说成人大脑中有1000亿个神经元，比宇宙中星球的数量还多。我们的神经网络就是模拟用很多的节点来处理信息，不过神经网络和大脑还是有区别的，因为大脑的神经冲动传导的过程中不仅仅只有”是”和”非”，还有强弱、缓急之分。

而神经网络在图像识别、语音识别以及文字识别等领域中已经有了广泛且成功的应用。实际使用神经网络时，由于神经网络参数多，消耗的计算资源较大。特别在手机等计算能力受限的平台上，计算造成长延时，还对功耗、散热等带来挑战。

大型神经网络效果虽好，但是其还是存在计算量大、耗时长等缺陷，针对于这样的问题，旷世科技在2017年1月4日申请了一项名为“神经网络及其构建方法、装置和系统”的发明专利（申请号：201710004485.5），申请人为北京旷世科技有限公司。

根据目前公开的专利资料，让我们一起来了解一下这项神经网络构建方法吧。

如上图所示为神经网络的构建方法示意性流程图。首先，获取包括卷积层的原始神经网络，原始神经网络的卷积层定义为原始卷积层。例如常用的卷积层的参数可以表示为(K ,C ,H ,W)。其中C为该卷积层的输入信道的数目，K为该卷积层的输出信道的数目，H和W分别为该卷积层的卷积核的高和宽(其决定卷积核的尺寸/大小)。

例如，当卷积层的四个参数取值为(512 ,256 ,3 ,3)时，该卷积层的一次前向传播的计算量为512×256×3×3＝1179648，参数个数为512×256×3×3＝1179648。这样的计算量是相当庞大的，因此，可以对其进行改进以减小计算量，这也就是该专利要进行构造的新型的神经网络结构。

其次，根据变换规则，将原始神经网络的至少一个原始卷积层变换为新的卷积层，以用于构建新的神经网络。其中新的卷积层包括第一卷积层和与第一卷积层连接的第二卷积层，第一卷积层为每信道共享卷积的卷积层，第二卷积层为与原始卷积层相比卷积核尺寸变小的卷积层，新的卷积层的输入输出与原始卷积层的输入输出均相同。

多种不同的变换规则都包括基本变换规则，即，变换后得到的新的卷积层包括第一卷积层和与第一卷积层连接的第二卷积层。其中，第一卷积层为每信道共享卷积的卷积层，第二卷积层为与原始卷积层相比卷积核尺寸变小的卷积层，新的卷积层的输入输出与原始卷积层的输入输出均相同。

新的卷积层的计算量等于第一卷积层的计算量加上第二卷积层的计算量，也就是说，通过变换，将参数均是相乘关系的计算量变为了部分相乘部分相加的关系，因此可大大减小计算量。

接下来再来看看神经网络的构建装置，如上图所示构建装置包括获取模块410和变换模块420。获取模块用于获取包括卷积层的原始神经网络，原始神经网络的卷积层定义为原始卷积层。变换模块用于根据变换规则，将原始神经网络的至少一个原始卷积层变换为新的卷积层，以用于构建新的神经网络。

其中新的卷积层包括第一卷积层和与第一卷积层连接的第二卷积层，第一卷积层为每信道共享卷积的卷积层，第二卷积层为与原始卷积层相比卷积核尺寸变小的卷积层，新的卷积层的输入输出与原始卷积层的输入输出均相同。

以上就是神经网络新结构的构建方法，通过上述这样构建的新的神经网络模型，就可以实现在手机这样算力有限的设备上完成简单的神经网络任务，并且可以达到和复杂神经网络几乎相同的识别度。并且随着AI芯片的不断更新换代，日后人工智能算法将会越来越多的应用在移动设备上，带给人们日益方便的体验。（校对/holly）