来自Face bookA I研究(FAIR)的一个团队开发了一个名为“RegNet”的新的低维设计空间，其性能优于传统的可用模型，如谷歌，并在GPU上运行了五倍快。

研究人员在一篇题为“设计网络设计空间”的论文中说，RegNet生产简单、快速和通用的网络，在实验中，它的性能优于谷歌的SOTA高效网络模型；发表在预印存储库ArXiv上。

研究人员的目标是“可解释性和发现一般的设计原则，描述网络是简单的，工作良好，并概括跨设置”。

Face bookA I团队与高效网络进行了受控比较，没有培训时间增强，也没有相同的培训设置。

在2019年推出，谷歌的高效网络使用NAS和模型缩放规则的组合，并表示当前的SOTA。

通过类似的培训设置和Flops，RegNet模型的性能优于有效的Net模型，同时在GPU上的速度高达5×。

该团队没有设计和开发单个网络，而是专注于设计实际的网络设计空间，其中包括巨大的、可能是无限的模型体系结构种群。

还有阅读：Face book雄心勃勃的读脑技术越来越接近现实

利用误差经验分布函数对设计空间质量进行了分析。

分析RegNet设计空间也为研究人员提供了对网络设计的其他意想不到的见解。

例如，他们注意到，最佳模型的深度在20块（60层）的最优深度的计算区域中是稳定的。

“虽然现代移动网络使用反向瓶颈很常见，但研究人员注意到，使用反向瓶颈会降低性能。 论文说，最好的模型既不使用瓶颈，也不使用倒置瓶颈。

Face bookA I研究小组最近开发了一种工具，利用面部识别系统来错误地识别视频中的人。

“去识别”系统，也适用于现场视频，使用机器学习来改变视频中主题的关键面部特征。

联邦人工智能协会正通过与社区的公开合作，开展基础和应用研究，推动人工智能的最新进展。

这家社交网络巨头于2014年创建了Face bookA I研究(FAIR)小组，通过面向所有人的开放研究，推进AI的艺术状态。

从那时起，FAIR已经成长为一个国际研究组织，在门洛公园、纽约、巴黎、蒙特利尔、特拉维夫、西雅图、匹兹堡和伦敦设有实验室。