ImageNet 分類器完全在 Android 上訓練

💡看看一個 50 萬參數的 ImageNet 模型，僅靠 Android 手機 CPU 能訓練到什麼程度。

⚡ 30-Second TL;DR

有什麼變化

MLP 約含 50 萬個參數，使用縮小至 32×32 的 ImageNet-1K 資料集訓練。

為什麼重要

這項實驗證明，現代智慧型手機 CPU 即使沒有 GPU 或雲端後端，也能執行具實驗價值的機器學習訓練流程。不過，較低的準確率也凸顯了行動裝置訓練可行性與生產級 ImageNet 分類能力之間的實際差距。

下一步行動

在 Termux 中使用 PyTorch 重現此基準模型，接著在相同的 32×32 ImageNet-1K 子集與 CPU 設定下，將 MLP 與參數量相近的深度可分離 CNN 進行比較。

誰應關注：Researchers & Academics

AI-generated analysis for this event.

•此實驗展示了在邊緣運算（Edge Computing）環境下，利用 PyTorch 的 CPU 後端進行輕量化模型訓練的可行性，突破了過去僅能進行推論（Inference）的限制。
•選擇 MLP 架構而非卷積神經網路（CNN）或 Transformer，主要是為了規避 Android 手機上對複雜算子（Operator）支援度不足的問題，並減少記憶體頻寬瓶頸。
•該研究使用了 PyArrow 進行資料預處理與記憶體映射，有效解決了 Android 檔案系統在處理大量小檔案時的 I/O 效能低落問題。
•Dimensity 9300+ 的全大核架構（All-Big-Core）在此實驗中發揮了關鍵作用，其 Arm Cortex-X4 核心的高時脈與大快取（Cache）設計，顯著提升了矩陣運算的並行效率。
•實驗結果顯示，儘管 4.59% 的準確率在 ImageNet-1K 上並不高，但證明了在無專用 NPU 加速的情況下，純 CPU 訓練在行動裝置上已具備基礎的學習能力。

模型架構：採用多層感知器（MLP），輸入層為 3072（32x32x3），隱藏層配置針對行動端記憶體對齊進行優化。
訓練框架：使用 Termux 環境下的 PyTorch 2.x 版本，並透過 OpenBLAS 進行底層矩陣運算加速。
資料處理：將 ImageNet-1K 縮小至 32x32 解析度，並轉換為 Apache Arrow 格式以提升資料載入速度。
硬體調度：利用 Android 的 CPU Affinity 設定，將訓練執行緒強制綁定在四個 Cortex-X4 核心上，避免系統排程器頻繁切換導致的效能損耗。
記憶體管理：透過 PyArrow 的零拷貝（Zero-copy）特性，減少訓練過程中資料在記憶體中的搬移次數。