کاهش فاصله بین پیچیدگی الگوریتم های یادگیری عمیق و قابلیت های سیستمهای تعبیه شده بر بستر اینترنت اشیاء

شبکه های عصبی عمیق به یکی از رویکردهای غالب یادگیری ماشین در سالهای اخیر برای بسیاری از حوزههای کاربردی تبدیل شده اند. بارگذاری محاسبات در فضای ابری اغلب به دلیل عدم اتصال، تاخیر بالا یا نگرانی های مربوط به حریم خصوصی محدود شده است . معماریهای شبکه عصبی عمیق ، اغلب وظایفی با منابع محاسباتی پیچیده هستند که نیاز به مقدار قابل توجهی ازCPU، GPU، حافظه و توان پردازشی دارند و بر روی سرورهای قدرتمند و تخصصی اجرا می شوند. با این حال بسیاری از این وظایف نیز حوزههای کاربردی مهمی برای سیستم های تعبیه شده با منابع محدود هستند. بنابراین شبکه های عصبی عمیق نیاز به بهینه سازی دارند، درغیر این صورت شکاف بین منابع موجود و منابع مورد نیاز به زمان های استنباط طولانی منجر می شود و اجرای برنامه های بلادرنگ را غیرممکن می کند. کاهش تعداد پارامترها لزوما منجر به کاهش در زمان اجرا نمی شود، آنچه مهمتر است پراکندگی و سخت افزار زیربنایی است . در این مقاله به فعال کردن اجرای کارآمد استنتاج شبکه عصبی عمیق در دستگاه های تعبیه شده با هدف کاهش میانگین زمان استنتاج با حداقل کاهش دقت می پردازیم . با هدف کاهش میانگین زمان استنتاج شبکه عصبی عمیق و تا حد ممکن بدون کاهش دقت ، از یک انتخابگر مدل استفاده می شود که به صورت پویا با در نظر گرفتن معیار ارزیابی و زمان استنتاج مورد نظر، تعیین می کند از کدام شبکه عصبی عمیق برای یک ورودی داده شده استفاده شود.

کلیدواژه ها:

یادگیری عمیق ، سیستم های تعبیه شده ، اینترنت اشیاء.