Google更新Coral開發平臺，支援訓練後量化與TF Lite委派

Google更新其人工智慧開發平臺Coral，不只發布新的編譯器版本支援訓練後量化（Post-Training Quantization），還加入了TensorFlow Lite委派（Delegate）API，Edge TPU也能夠用來加速使用TensorFlow Lite直譯器API的模型。

Coral是一個人工智慧測試平臺，包含了軟體以及硬體，開發人員可以在搭載Edge TPU的Coral開發板上建立、訓練和執行神經網路程式，有助於設計應用程式原型，以便後續正式產品開發。硬體除了有Coral開發板之外，周邊硬體還有一個可透過MIPI界面連結的500萬畫素相機，和可與其他Linux系統整合使用的外接Coral USB加速器，而軟體開發工具方面，主要由TensorFlow與TensorFlow Lite發展而來。

現在Coral研發團隊更新Coral的開發工具，編譯器更新至2.0版本，新增支援使用訓練後量化技術建立的模型。Tensorflow團隊提到，訓練後量化可以將使用浮點數訓練的模型，量化為Int 8的模型，優點除了可以縮小模型大小之外，也可以加快Coral裝置中搭載的Edge TPU執行模型運算的速度。

之前，開發者的模型要獲得Edge TPU良好的加速效能， 需要使用官方提供的Edge TPU Python API或是C++撰寫程式碼，不過現在官方發布了TensorFlow Lite委派，讓模型即便使用TensorFlow Lite直譯器API，也可以得到Edge TPU 的加速。Coral研發團隊提到，TensorFlow Lite委派API目前還是個實驗性功能，他允許TensorFlow Lite直譯器將部分或是全部圖執行（Graph Execution）委派給其他執行程式，也就是Edge TPU。

另外，開發工具中的Edge TPU Python函式庫也更新到了2.11.1版本，加入了遷移學習（Transfer Learning）的支援。新的裝置反向傳播API讓開發者，可以在圖像分類模型的最後一層執行遷移學習，而在裝置上是以CPU執行，並以接近即時的速度執行遷移學習，為模型加入遷移學習，開發者不需要重新編譯模型。

Coral研發團隊也與AutoML團隊合作，共同發布了一系列圖像分類模型EfficientNet-EdgeTPU，這些模型是基於EfficientNet架構，專為EdgeTPU最佳化，可用超小型的模型達到伺服器端模型才能做到的圖像分類程度。