高性能
借助滴滴自研的自动化智能优化能力,可以针对特定算法模型,特定硬件体系结构及微架构,生成低延时,高吞吐的AI解决方案
多框架
IFX 支持把从TensorFlow,PyTorch,Caffe,Darknet等不同的深度学习训练得到的算法模型,转换成IFX支持的模型,并提供兼容性设计
统一性
IFX模型,可以提供给云、端、边等多种场景下使用;同一个算法模型,支持部署到多种不同硬件设备,提升业务迭代部署效率
安全性
IFX提供模型安全加密功能,防止模型结构,模型参数被破解和侵权,保护业务核心算法的能力,保持业务竞争力
够精巧
IFX提供模型瘦身能力,模型可缩小75%以上,模型在线升级,可以降低流量消耗,提升用户体验等,占用更小的端上资源
案例/框架 | IFX | TensorFlow/Pytorch | IFX性能加速比 | 硬件处理器 |
---|---|---|---|---|
人脸检测 | 9ms | 19ms | 2.111 | ARM A53 |
防攻击 | 12ms | 26ms | 2.167 | ARM A53 |
目标检测 | 440ms | 600ms | 1.364 | ARM A53 |
项目:Inference Latency(ImageNet) 比赛:斯坦福DAWNBench 查看IFX成绩:https://dawn.cs.stanford.edu/benchmark/#imagenet-inference-time |
案例/框架 | IFX | TensorFlow/Pytorch | IFX性能加速比 | GPU型号 |
---|---|---|---|---|
文本纠错 | 16ms | 28ms | 1.75 | NVIDIA Tesla P40 |
ETA预估 | 0.3ms | 5ms | 16.67 | NVIDIA Tesla P4 |
人脸检测 | 3.3ms | 10.83ms | 3.28 | NVIDIA Tesla P4 |
Resnet50 | 1.54ms | 11.9ms | 7.73 | NVIDIA Tesla P4 |
项目:Inference Latency(ImageNet) 比赛:斯坦福DAWNBench 查看IFX成绩:https://dawn.cs.stanford.edu/benchmark/#imagenet-inference-time |
案例/框架 | 原始模型 | IFX | IFX压缩比 |
---|---|---|---|
银行卡OCR识别 | 5.1MB | 1.3MB | 3.92 |
车载人数检测 | 2.8MB | 579KB | 4.95 |
项目:Inference Latency(ImageNet) 比赛:斯坦福DAWNBench 查看IFX成绩:https://dawn.cs.stanford.edu/benchmark/#imagenet-inference-time |
尊敬的滴滴云用户您好。此处展示的是滴滴云个人信息与隐私政策声明。本政策声明对如下内容予以明确:个人信息与隐私政策声明的适用范围、滴滴云服务/产品在获得您的明示同意之后收集、使用、披露、共享与保存您的个人信息的方式与条件、用户业务数据和公开数据的处理与保护、滴滴云使用cookie或同类技术的方式、您作为滴滴云用户针对您的个人信息所享有的权利以、未成年人的保护以及本政策内容调整时对您的通知等。
请您务必仔细阅读本政策声明,以便清晰地了解滴滴云关于您个人信息和用户业务数据的处理与保护规则。如您阅读本政策声明之后,存有任何疑问,可以通过滴滴云网站以提交工单方式联系滴滴云,如您不同意本政策声明的内容,请您立即停止注册滴滴云账户并立即停止使用滴滴云的产品/服务。