بهینه سازی برون‎سپاری محاسباتی شبکه‎ های عصبی عمیق برای تشخیص فعالیت انسانی

با توجه به محدودیت های منابع محاسباتی موجود در دستگاه های تلفن همراه، این دستگاه ها در اجرای برخی وظایف روزمره با چالش مواجه هستند. یک راه‎حل برای این مشکل، برون سپاری است که در آن، دستگاه پردازش خود را برای اجرا روی ابر محاسباتی ارسال می کند. مقاله حاضر با تمرکز بر روی کاربرد تشخیص فعالیت انسانی، روش‎هایی برای کاهش حجم داده‎های ارسالی وظایف به ابر، با تکیه بر نقاط مطلوب در معامله بین دقت استنتاج یادگیری و هزینه ارتباطات برون سپاری ارائه می کند. سه روش پیشنهادی کاهش تعداد نمونه های داده ، کاهش دقت اعشار نمونه های داده و فشرده‎سازی نمونه‎های داده‎ ارائه شده است که در روش اول نمونه‎های داده قبل از ارسال به صورت یکی در میان یا بیشتر حذف شده و در سمت ابر با تخمین درون‎یابی مجددا بازیابی می‎شوند. در روش کاهش دقت اعشار، نمونه‎های داده قبل از ارسال با یک نگاشت به عدد صحیح با تعداد بیت محدود تبدیل و در سمت ابر با نگاشت معکوس به صورت تخمینی بازیابی می‎شوند. در روش فشرده‎سازی، نمونه‎های داده قبل از ارسال، با یک الگوریتم فشرده سازی سبک دلتا به یکی از دو روش با اتلاف یا بدون ‎اتلاف فشرده می‎شوند. نتایج عملی نشان می‎دهد اگر چه روش‎های کاهش تعداد نمونه و کاهش دقت اعشار سبب کاهش حجم داده ارسالی بدون تاثیر قابل توجه بر روی دقت تشخیص می شوند، روش کاهش دقت اعشار به دلیل میزان کاهش بیشتر حجم داده نسبت به روش کاهش تعداد نمونه‎ها برتری دارد. ضمنا روش فشرده‎سازی دلتا به اندازه دو روش دیگر موثر نمی‎باشد.

کلیدواژه ها:

برونسپاری محاسباتی ، شبکههای عصبی عمیق ، تشخیص فعالیت انسانی