哪些安卓手机适合AI应用？（博主都是用什么软件画画的？）

本文由创新互联(www.cdcxhl.cn)小编为大家整理，本文主要介绍了哪些安卓手机适合AI应用的相关知识，希望对你有一定的参考价值和帮助，记得关注和收藏网址哦！

成都创新互联公司主要从事成都网站制作、做网站、外贸营销网站建设、网页设计、企业做网站、公司建网站等业务。立足成都服务容县,十年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220

1、哪些安卓手机适合AI应用？

苏黎士联邦理工学院开发了一款人工智能基准应用，用于测试不同Android设备和芯片的深度学习性能。近日，他们与谷歌、高通、华为、联发科、Arm联合发表了一篇关于AI基准综合测试结果的论文，对超过10000台移动设备进行了量化基准测试，涵盖了当今所有主要硬件配置，全面对比了高通、海思、联发科、三星芯片组的AI加速性能。

项目:http://ai-benchmark.com/官方网站

完整名单:http://ai-benchmark.com/ranking.html

APP链接:https://play.google.com/store/apps/details? id = org . benchmark . demo

论文:ai Benchmark:在安卓智能手机上运行深度神经网络

地址:https://arxiv.org/pdf/1810.01109.pdf

摘要:近年来，手机、平板电脑等移动设备的计算能力显著提升，达到了不久前台式电脑的水平。虽然标准的智能手机应用程序对手机来说已经不是问题，但仍然有一些任务(即运行人工智能算法)可以轻松击败它们，即使是高端设备也不例外。本文介绍了深度学习在Android生态系统中的现状、可用框架、编程模型以及在智能手机上运行人工智能算法的局限性。我们概述了四个主要移动芯片组平台(高通、海思、联发科和三星)上可用的硬件加速资源。此外，我们还展示了AI Benchmark收集的不同移动SOC的真实性能结果。AI Benchmark的测试涵盖了当今所有主要的硬件配置。

图1:为第三方人工智能应用提供潜在加速支持的移动SoC。

AI BenchmarkAI Benchmark是一款Android应用，旨在检测在移动平台上运行AI和深度学习算法的性能和内存限制。该基准测试包含几个由直接运行在Android设备上的神经网络执行的计算机视觉任务。测试的网络代表了目前可以部署在智能手机上的最流行和最常用的架构。其详细描述和应用技术细节如下。

任务1:目标识别/分类

神经网络:MobileNetV1 | CPU、NPU、DSP

图像分辨率:224 x 224像素

ImageNet准确率:69.7%。

这是一个非常基础但功能强大的神经网络，可以根据一张照片识别1000种不同的物体类别，准确率在70%左右。量化后，它的大小可以小于5Mb，内存消耗低，几乎可以在现有的所有智能手机上使用。

任务2:目标识别/分类

神经网络:Inception-V3 | CPU、NPU、DSP

图像分辨率:346 x 346像素

Imag——，它可以处理更高分辨率的图像，这意味着更准确的识别和更小的目标检测。

任务3:人脸识别

神经网络:盗梦空间-雷斯网-V1 |CPU

图像分辨率:512x512像素

LFW得分:0.987

这个任务不需要介绍:根据这个人的面部照片来识别他。实现如下:对于每一张人脸图像，神经网络都会对人脸进行编码，生成一个128维的特征向量，不随缩放、移动、旋转而变化。然后在数据库中搜索最匹配的特征向量(以及对应的身份)，数据库中包含了上亿条这样的信息。

任务4:图像去模糊

神经网络:SRCNN 9-5-5 | CPU、NPU、DSP

图像分辨率:300 x 300像素

第五组得分(x3):32.75分贝

还记得用手机拍的模糊照片吗？这个任务是让画面清晰。在最简单的情况下，这种失真是通过对未损坏的图像应用高斯模糊来建模的，然后尝试使用神经网络来恢复它们。在这个任务中，通过最原始、最简单、最轻的神经网络SRCNN(只有三个卷积层)来消除模糊。但即便如此，还是表现出了相当满意的效果。

任务5:图像超分辨率

神经网络:VGG-19 | CPU、NPU、DSP

图像分辨率:192 x 192像素

Set-5得分(x3): 33.66分贝

你有过放大照片的经历吗？缩放时会有失真，细节丢失，或者清晰度下降吗？此任务是使缩放后的照片看起来与原始图像相同。在这个任务中，网络被训练来完成一个等价的任务:将一个给定的缩小图像(比如缩小四倍)恢复成原始图像。这里我们使用一个有19层的VGG-19网络。抵押品虽然目前，网络的性能并不惊人，它可以 t重建高频部分，对于绘画来说还是比较理想的解决方案:网络可以让图像更清晰流畅。

任务6:图像超分辨率

神经网络:SRGAN |仅CPU

图像分辨率:512 x 512像素

第五组分数(x4):29.40分贝

任务同上，完成略有不同:如果我们用其他神经网络来训练我们的神经网络呢？我们安排两个网络来完成两个不同的任务:网络A试图解决上述超分辨率问题，网络B观察结果，试图发现缺陷并惩罚网络A。;听起来很酷吧？事实上，它 s真的很酷:虽然方法并不完美，但结果往往很惊人。

任务7:语义图像分割

神经网络:ICNet |仅CPU

图像分辨率:384 x 576像素

城市景观(mIoU):69.5 %

有没有想过在手机上运行自动驾驶算法？It 这不是不可能的，至少你可以完成大部分任务。——检测19种目标(例如，汽车、行人、道路、天空等。)根据车载摄像头拍的照片。下图中可以看到ICNet network最近为低性能设备设计的像素级分割结果(每种颜色对应一个目标类别)。

任务8:图像增强

神经网络:ResNet-12 | CPU、NPU、DSP

图像分辨率:128 x 192像素

埃德·PSNR国际评分:18.11分贝

看旧手机里的照片会不会觉得不舒服？这个问题可以解决:经过适当训练的神经网络可以让旧手机(甚至iPhone 3GS)上的照片看起来非常好看、时尚。要做到这一点，网络应该观察和学习如何优化低端设备的照片，如DSLR相机拍摄的照片。当然，这个奇迹也有一些明显的缺陷(比如每次更换新手机型号都要重新训练网络)，但获得的图像看起来非常好，尤其是旧设备上的照片。

任务9:内存限制

神经网络:SRCNN 9-5-5 | CPU、NPU、DSP

图像分辨率:4百万像素

参数:69.162

在任务4中，我们已经知道了SRCNN，它是最轻最简单的神经网络之一，但即便如此，在处理高分辨率照片时，它也会让大多数手机 "跪下 ":要处理高清照片，手机至少要有6GB内存。这个测试的目的是找到你的设备的极限:这个最简单的网络能处理多大的图像？

图7:在相关深度学习测试中呈现给用户的结果的可视化示例。

图8:测试结束后AI基准给出的结果。

基准测试结果我们展示了超过10，000台移动设备的量化基准测试结果。每个器件/SoC的分数如表2和表3所示，包括每个测试/网络的一个图像的平均处理时间、SRCNN模型可以处理的最大可能图像分辨率以及总AI分数。这些分数是通过去除异常值后，对相应设备/SoC的所有结果进行平均而得到的。结果的细节将在下面介绍。

神经网络

表1总结了该基准中包含的所有深度学习架构的详细信息。表2与表3中的结果以及网络的相对处理时间和内存消耗的理论预期高度一致。尤其是相比同样的浮点模型，第一次测试的量化MobileNet CNN只需要1/3到1/4 RAM，在CPU上的运行速度比Inception-V3 CNN快了一个数量级。第三次人脸识别测试处理两倍大小的图像，比第二次测试花费大约两倍的推理时间，这意味着perception-resnet-v1和Inception-V3的性能相当。

表1:1:AI Benchmark中使用的深度学习模型的特征汇总。

在图像到图像处理的任务中，最有效的模型是ICNet，因为计算主要发生在图像/特征图的下采样中。SRGAN也使用相同的方法，原始图像被下采样到128x128像素，并以此分辨率进行处理，直到最后两层将其上采样到原始大小。所以虽然使用了12个残差块，处理时间还是合理的，但是使用下采样/上采样层处理512×512像素的图像，使得RAM占用特别高。图像增强任务中使用的DPED网络包含4个残差块，并且在图像处理中没有使用下采样，因此处理时间应该是前一种情况的128x128x12/128x192x4=2倍，如实验所示。

第五次测试用的VGG-19模型是所有CNN中最消耗资源的，因为它由19个卷积层组成，理论上会比DPED慢19/12=1.6倍(它们的卷积层大小差不多)；不过RAM的消耗分布还是在一个差不多的范围内，因为主要是由最大体积层的维度决定的。最后，SRCNN模型比VGG-19和DPED快得多，内存消耗也是出于同样的原因非常相似。SRCNN可以处理的最高图像像素的大小随着器件的总RAM大小线性增加，尽管由于NNAPI中的一个bug，这不适用于Android 8.1或以上版本的手机，它们一般会消耗更多的RAM。需要注意的是，目前所有的结论都是基于不支持硬件加速的结果，因为硬件加速可以显著改变测试1、2、4、5、8、9的结果。

表2:各种Android手机的基准测试结果。完整的名单在http://ai-benchmark.com/ranking.

表3:几个SOC的基准测试结果。完整的列表，请参考链接:http://ai-benchmark.com/ranking_processors.

智能手机和移动芯片

表2和表3中的结果显示了使用AI Benchmark获得的一些测试结果，分别包括Android智能手机和移动芯片。的完整列表可在项目网站上查看。在详细讨论测试细节之前，首先要提到几个Android NNAPI的bug，这些bug也影响了表格中的一些结果。首先是Android 8.1默认NNAPI驱动的漏洞。这些驱动程序禁用时，卷积速度是启用时的两倍。因此，在计算表3所示的不同SOC的平均运行时间时，我们忽略了手机测试结果可能存在的问题。

虽然使用Android 8.1和麒麟970芯片的华为手机使用了自己定制的NNAPI实现，但还是会遇到另一个不同的Bug:长时间待机后，麒麟 s NPU将被丢弃，并且直到重新启动后才能恢复。两个表中的结果都是在华为设备刚开机的时候测试的。由于上一节3.2中描述的ByteBuffer问题，Android NNAPI在图像到图像测试中的RAM消耗要高一倍，其造成的后果可以在最终的内存测试中观察到。

我们在下面总结了各个Soc厂商的测试结果，并描述了相应芯片在市场上的表现。

高通:骁龙现在可以为定量神经网络提供硬件加速(当高通 s NNAPI驱动存在)，但是现有的商业设备不支持浮点模型。配备这些驱动程序的第一代智能手机是OnePlus 6，配备骁龙845 SoC和最新的Android P固件。可以在Hexagon DSP上25ms运行定量MobileNet模型，比对应的CPU速度(60-65ms)快很多。包含相同六边形的类似性能论685 DSP 骁龙670/710芯片。骁龙835配Hexagon 682，骁龙636/660/820/821配Hexagon 680，都是用同一个高通68x DSP家族，运行时间应该更长。

目前，虽然高通 s NNAPI驱动程序尚未针对支持加速的浮点模型进行正式测试，骁龙625 SoC与基于CPU的执行相比可以实现两倍的加速，骁龙625 SoC可能会使用集成Adreno 506 GPU驱动程序的测试版。虽然Adreno 506的性能约为130 GFLOPs，这意味着骁龙845 SoC中的Adreno 630(727 GFLOPs)可以潜在地提供3-4倍的加速，但具体数字可能会有很大差异。

至于矩阵/深度学习计算相关的CPU性能，目前最强大的高通核心是骁龙845 SoC中的Kryo 385 Gold。与高通835的Kryo 280核心相比，它显示了大约30%的改进。有趣的是，Kryo 280与定制非Cortex和内部第一代Kryo的Snapdragon 820 SoC相比，表现出相似或略有下降的性能(每GHz)。虽然第一代Kryo在设计上只有四个计算核心，但它仍然比采用更新的Kryo 260核心的骁龙636/660更快。之前以2013年Snapdragon 800/801为代表的Krait微架构，依然表现出非常有竞争力的结果。其性能优于2xx、4xx和6xx系列的大多数结果，甚至紧随基于Cortex-A57微体系结构的810和808芯片的测试结果。我们还注意到，定制的高通CPU内核通常比默认的ARM Cortex架构显示出更好的结果。

华为:虽然海思SoC的CPU性能不如高通 s，其集成在麒麟970上的NPU为浮点深度学习模型提供了巨大的加速效果。特别是根据任务类型，可以提供比其CPU快7-21倍的推理，比整体最优的CPU结果好4-7倍的性能。在支持GPU加速的测试2、4、5和8中，处理一幅图像平均分别需要132、274、240和193毫秒。这个NPU唯一的主要缺点是缺乏对定量模型的加速支持。在第一个测试中，所有的计算都在CPU上运行，每个平均图像处理时间为160毫秒，远远高于骁龙845在启用DSP时的相应结果。虽然这个问题可以通过在麒麟 s NNAPI驱动，这个功能还在开发阶段。

至于其他海思芯片组，他们不。;t目前不提供AI应用的加速，所以所有计算都在CPU上进行。由于海思所有的SOC都是基于标准的Arm Cortex内核，因此其性能与其他具有相同Cortex架构的芯片组相似。

联发科:Helio P60是第一款可以使用NNAPI驱动加速浮点和量化模型的芯片组。量化网络在其集成的APU上运行，在第一次测试中处理图像时，表现出类似于Hexagon685DSP-21MS的性能。浮点网络在Mali-G72M3 GPU上执行，与CPU相比提供2-5倍加速，比整体最优CPU快1.5-2倍。我们应该注意，所有这些值都是在developer 联发科的s手机，而唯一基于Helio P60和NNAPI驱动的市场手机(vivo V11)的结果略差。

其他联发科芯片组目前不支持AI应用加速。它们运行在由标准Arm Cortex设计的CPU核心上。

三星:在撰写本文时，所有三星 美国SOC公司可以 t提供第三方AI应用的加速:所有配置这些芯片组的手机都使用默认的NNAPI驱动程序。作为最新的Exynos 9810 SoC拥有相同的Mali-G72显卡。就像联发科P60芯片组(但它有12个核心而不是3个)，如果Arm NN库被三星集成到NNAPI驱动程序中，我们预计浮点神经网络的额外加速因子为3-4。由于最近所有的三星Exynos处理器都使用Arm Mali GPU，所以也适用相同的结论。

根据任务类型，三星 的猫鼬M3 CPU核心可以显示明显优于或劣于骁龙845 s定制的Kryo 385内核，但二者整体性能相当。猫鼬M2微架构相比第一代M1版本有50%的显著提升，第二代(M2)和第三代(M3)的性能非常相似。最新Exynos 8895和9810 SoCs及其集合的一个值得注意的问题能耗管理系统(可调CPU性能)。它导致大多数设备的结果非常不稳定:特别是，几个基准(间隔10分钟和 "高性能 "mode)运行在同一个Galaxy S9手机上，显示出50%的整体得分变化，不同设备得到的结果变化更大(比如第七次测试的处理时间为200-800ms)。目前没有针对不能模式的外部控制方法，因为它们是基于内部逻辑自动选择的。

其他:我们还在其他不常用(如展讯)或厂商停产(如英特尔凌动、英伟达Tegra、TI OMAP)的芯片组上获得了测试结果。其中，在支持CUDA的Nvidia Tegra平台和专用于深度神经网络的cuDNN GPU加速库上测试AI和深度学习时，我们得到了非常有趣的结果。遗憾的是，自2015年以来，没有新的设备使用Nvidia SoC，现有设备已经停产，用于加速机器学习移动终端框架的NNAPI驱动程序将不再可用。

目前，移动设备上对机器学习的软硬件支持发展非常快，每隔几个月就有公司宣布里程碑式的技术。当然，这些技术带来了新的可能性和更高的性能，但目前缺乏标准化要求和开放规范，无法确保对技术的优缺点进行客观评估。下面介绍我们通过NNAPI驱动使用移动机器学习框架和硬件加速芯片组的经验。

目前，在Android设备上开始使用深度学习最简单的方法就是使用成熟且相对稳定的TensorFlow移动框架。这个框架出现在两年前，基本上解决了所有的大问题，人们可以在几个专门的网站上找到很多关于小问题的信息。如果硬件加速是关键问题，TensorFlow Lite仍然可以作为一个选项，但我们不 不建议将它用于比使用MobileNet或Inception CNN更复杂的任务，因为在移动平台上使用非标准网络架构时可能会偶尔出现问题。我们也提到了从TF Mobile迁移到TF Lite是比较简单的，因为他们使用的是类似的Android编程接口(最大的区别是TF Lite把前期训练的模型转换成。tflite而不是。pb格式)，等TF Lite更好支持的时候我们可以迁移。如果一个应用是针对某些特定的设备或者SOC，那么也可以使用相应的专用SDK，虽然这种情况下的开发可能会不方便。简单易行。至于使用不那么广泛的Caffe2 Mobile等框架，目前它们的社区还是比较小的，也就是说网上的教程和问题描述很少，所以出现的所有问题可能都需要在相应的GitHub repo中新建一个问题来解决。

在Android设备上为AI算法提供硬件支持是目前比较有争议的话题。截至本文写作时，常规浮点神经网络运行时间最快的属于装载麒麟970的华为手机，遥遥领先于市场平均水平。但是，还是要客观看待未来的发展。我们的分析表明，几乎所有的SoC制造商都有潜力使用新的芯片组来实现类似的结果。明年年初，装载麒麟980、联发科P80、新一代高通和三星Exynos premium SoC的设备上市，情况会逐渐明朗。除了性能，我们还调查了它们的能耗，因为过快的功耗会限制它们使用一些标准的相机内置处理技术。

我们要解决的最后一个问题是量化网络的使用。目前，它们的应用受到限制，因为仍然没有可靠和标准的工具来量化网络，即使是简单的图像分类任务，更不用说复杂的任务了。目前，我们期望在这个领域有两种不同的开发方法。第一，量化问题会在某个时候得到解决，智能手机上部署的大部分神经网络都可以量化。第二，支持浮点网络的特定NPU变得更加强大高效，不再需要量化。当然，我们可以 t轻易预测未来，但我们在AI benchmark中仍然会混合使用定量和浮点模型(浮点模型占主导)，但对应的比例在未来版本中可能会有很大变化。

目前，有许多重要的开放问题可能在新的机器学习相关硬件和软件以及新的专用芯片出现后得到解决。因此，我们计划发布一份介绍移动设备AI加速实际情况的常规基准报告。这份报告还会涉及到机器学习领域的变化，以及AI benchmark做出的相应调整。AI Benchmark的最新测试结果和实际测试描述将在项目网站上每月更新一次。

2、博主都是用什么软件画画的？

1.sketchmaster

Sketchmaster安卓版为用户提供了免费绘画功能，使用该软件可以在线进行绘画和创作。提供了丰富的笔刷工具供用户使用，操作简单，非常适合绘画爱好者在线创作！Sketchmaster是一款可以让你通过绘画来表达自己的应用。它简单易用。内置几十种真画笔工具，就像用画笔在纸上作画一样，让你体验每一种一种艺术创作。实时保存，我们知道用户创作灵感的不易，我们会实时帮用户保存每一个操作。

2 .生育

Procreate Android版是一款绘画手机软件，内含大量画笔、颜色等绘画工具。使用简单方便，功能强大，可以帮你插画，素描等。Procreate是一款专门为移动设备设计的应用，其绘制草图、图片和插图的功能无与伦比。工具箱里全是工具，可以随时随地帮你创作出漂亮的素描、迷人的图片、精彩的插画。

3.妙笔生花app手机版

妙生花app是一款非常适合专业人士的手机画图神器！当然，小白用户也可以使用它，但它的功能非常强大，可以满足所有基本的绘画相关需求。所以如果你是搞绘画的，建议装一个！Autodesk SketchBook是为所有移动设备开发的专业绘图应用程序。和桌面一样的绘画引擎驱动的App，会给你带来一样的铅笔和画笔体验，界面会变得更容易使用。它可以捕捉你的简化涂鸦或者你的大设计，不管你现在的位置。

echo 2-@ . com amp；;的特效系统正在被优化，所以特效被下架了。Tik Tok定期移除一些没人用的特效。如果特效的分类可以 可能找不到。

建议您使用手机设置中的权限，清除Tik Tok数据，然后重试。

Tik Tok时间特效这是一个来自Tik Tok的更有趣的函数，这个函数仍然很有趣。《Tik Tok》的时间效果主要是从视频时间的角度出发，给视频增加了三种特效，可以让视频显示颠倒，或者让视频闪烁，或者让视频慢慢Tik Tok。

1.像往常一样打开Tik Tok，然后点击 " "在推荐界面上。

2.点击下面的红圈开始拍摄视频。为了加快发现抖动的时间效果，可以直接拍摄Tik Tok。

3.拍摄完作品后，系统会自动跳转到新的页面。关注未知的事物特殊效果 "左下角的文本和图标，找到后点按它。

4.开业后特殊效果 "，你可以在底部看到两个类别，其中一个是 "时间特效 "，也就是我们要找的。

5.点击 "时间效应 "，你可以在时间效果的类别下看到三种时间效果:时间反转、闪光、慢动作。

如果你能 不要看它，它 it’已经下架了

echo 3-@ . com amp；;s ai画图是:帧率，分辨率设置为中，画质，特效等等可以设置为低，手机配置一般可以这样设置。你必须拥有一切。如果手机配置高，设置一下就可以了。

网站标题：哪些安卓手机适合AI应用？（博主都是用什么软件画画的？）
分享地址：http://www.shufengxianlan.com/qtweb/news22/134972.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联