## Faster App ## @kevinzhou ## About Kevin • Develop iOS App Since 2011 • Ruby on Rails Since 2010 • Design & Linux Since 2006 • Author of PRODUCTER PNChart • Founder of Catch Inc ## Fact of CoreData • Build in Support • Package Size • GUI Support ## Realm • Great Threading Support • Faster • But Fat ## Threading CoreData Notification Realm Sync When Commit use Batch update ## Network

## +23 ## Continuous Regression Testing for Safer and Faster Refactoring PEJMAN GHORBANZADE ## Continuous Regression Testing for Safer and Faster Refactoring  88% 87% 100% 1s 860ms (4% slower) 1s 832ms 1s 794ms {3% faster} Filter: None ① 1s 916ms (7% slower) 100% 3 cases Sort: Date 3 cases 18 minutes ago 1s /1/a1c1bfd889d5eb4dd536afb538b4305b/p37_4.jpg) 4s 250ms (2s 893ms slower) 250ms -289ms (2.2x faster) 4s 🚀 +3s 500ms (8.0x slower) Subscribe to any suite to get notified about new regressions. PDF

副教授 2023年04月 ## 本章目录 01 目标检测概述 02 目标检测算法 03 YOLO算法 04 Faster RCNN算法 ### 1. 目标检测概述 01 目标检测概述 02 目标检测算法 03 YOLO算法 04 Faster RCNN算法 ### 1. 目标检测概述 ![Image](/uploads/documents/8/4/9/6/8496ae0 第一阶段生成大量可能含有目标的候选区域（Region Proposal），并附加大概的位置信息； 第二个阶段对其进行分类，选出包含目标的候选区域并对其位置进行修正（常使用R-CNN、Fast R-CNN、Faster R-CNN等算法）。 ### 1. 目标检测概述 ### 3. 基于深度学习的One Stage目标检测框架（速度有优势） 此类检测算法属于端到端（End-to-End），不需要生成大量候 若干卷积层进行预测，也有些工作里把head部分称为decoder（解码器）的。 ### 2. 目标检测算法 01 目标检测概述 02 目标检测算法 03 YOLO算法 04 Faster RCNN算法 Detection ### 2. 目标检测算法 Image classification ![Image](/uploads/documents/8/4/9/6/8496ae0e

## Python for Good >>> PyCon China 2022 大规模生产环境下的 Faster-CPython 主讲人：王文洋  HELLO WORLD  50%. $$ 1.5**4\approx5 $$ Each stage will be targeted at a separate release of CPython. A faster schedule is possible, but we believe that predictable and reliable performance improvements are more (22:23 UTC)|cpython 3.11.0b3|eb0004c271|fc\_linux|1.28x faster| |2022-11-20 (02:15 UTC)|cpython 3.12.0a0|b0e1f9c241|fc\_linux|1.31x faster| ## How To Faster In Older Versions ![Image](/uploads/documents/6/

afd4956702ec9f/p13_3.jpg) ## 深度目标检测网络 ## 两阶段检测器（Two-stage Detectors） • R-CNN • Fast R-CNN • Faster R-CNN • R-FCN ## 一 阶段检测器（One-stage Detectors） •YOLO v1 •YOLO v2 •YOLO v3 理论：R-CNN系列二阶段模型综述 ## bfafd4956702ec9f/p20_2.jpg) 理论：YOLO系列一阶段模型概述 ## YOLO 与 RCNN 系列对比

RCNN		Fast RCNN	Faster RCNN	YOLO
region proposal network
feature extraction network		detection network	Fast RCNN
classifier	locator	classification	regression

Layers ILSVRC 2014 ResNet 152 Layers ILSVRC 2015 ## Faster RCNN ## • RCNN region proposals classification bounding-box regression ## • Fast RCNN region proposals  classification bounding-box regression ## • Faster RCNN region proposals classification bounding-box regression ## Faster RCNN ## Results by Business |Europe Retail and Business Banking|New depreciation of LPR against LPR, offset by a change in risk profile driven by market conditions. ## Faster RCNN  fwd rpn/output:370

Trained model D Audio ☆ The Faster RCNN component provides an easy way for users to train their own Faster RCNN object detection model on GPUs or TPUs. Training a Faster RCNN object detection model using

服务，训练好的模型可以实现一键上线，大大提升了模型的实验效率。 TF-Serving 在线模型服务：L2 排序模型、BERT 模型上线使用 TF-Serving 进行部署。TF-Serving 预测引擎支持 Faster Transformer $ ^{[38]} $ 加速 BERT 推理，提升了线上的预估速度。 为了进一步提升性能，我们将头部 Query 进行缓存只对长尾 Query 进行在线打分，线上预估结合缓存的方式，即节约了 arXiv:1503.02531 (2015). [36] Sanh, Victor, et al. “DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter.” arXiv preprint arXiv:1910.01108 (2019). [37] Jiao, Xiaoqi, et al. “Tinybert: Distilling bert for natural language understanding.” arXiv preprint arXiv:1909.10351 (2019). [38] Faster Transformer. ## 作者简介 李勇，美团 AI 平台搜索与 NLP 部算法工程师。 佳昊，美团 AI 平台搜索与 NLP 部算法工程师。 杨扬，美团 AI 平台搜索与 NLP

是指通过算法自动检测出图片中常见物体的大致位置，通常用边界框(Bounding box)表示，并分类出边界框中物体的类别信息，如图 1.15 所示。常见的目标检测算法有 RCNN、Fast RCNN、Faster RCNN、Mask RCNN、SSD、YOLO、RetinaNet 系列等。 语义分割(Semantic Segmentation) 是通过算法自动分割并识别出图片中的内容，可以将语义分割理 较流行的模型有用于图片分类的 AlexNet、VGG、GoogLeNet、ResNet、DenseNet、EfficientNet 等，用于目标检测的 R-CNN、Fast RCNN、Faster RCNN、Mask RCNN、YOLO、RetinaNet、CenterNet 等。我们将在第 10 章详细介绍卷积神经网络原理。 #### 6.7.2 循环神经网络 除了具有空间结构的图片、视频等

的匹配字段摘要，并处理为 POI 侧模型输入格式，再调用线上相关性模型输出相关分。相关性模型部署在 TF-Serving 上，在模型预测时，采用美团机器学习平台的模型优化工具 ART 框架（基于 Faster-Transformer $ ^{[15]} $ 改进）进行加速，在保证精度的同时极大地提高了模型预测速度。 #### 3.3.2 应用链路性能优化 . [14] 阿里文娱深度语义搜索相关性探索. https://mp.weixin.qq.com/s/1aNd3dxwjCKUJACS q1uF-Q. [15] Faster Transformer. https://github.com/NVIDIA/DeepLearningExamples/tree/master/FasterTransformer. ### 7 下游 TFServing 向量预测服务和向量检索服务的流量压力。 • Query 端的在线文本向量化：预训练模型的线上性能一直是困扰大型 NLP 模型在搜索系统落地的困难之一。模型上尝试了 Faster-Transformer，并将模型转为 FP16 精度进行加速。工程上除整体服务的缓存外，考虑到 Query 向量与城市无关，在这一模块也设计了一层缓存，进一步减少实时调用。 • ANN 检索：向量检索使用了美团搜索团队自研的