کاهش مصرف انرژی مدل های یادگیری عمیق در لبه با چارچوب چندلایه E²DL-Edge

با گسترش روزافزون کاربردهای مبتنی بر یادگیری عمیق در دستگاه های لبه ای، چالش مصرف انرژی و محدودیت توان پردازشی به یکی از موانع اساسی استقرار این مدل ها تبدیل شده است. این مقاله رویکردی چندلایه برای کاهش مصرف انرژی شبکه های عصبی عمیق (DNNs) در سامانه های لبه ارائه می دهد که شامل کوانتیزاسیون تطبیقی، یادگیری فدرال سبک وزن و حلقه کنترل بازخورد انرژی است. نتایج آزمایش ها روی Raspberry Pi ۴ و NVIDIA Jetson Nano نشان می دهد مصرف انرژی تا ۳۶٪ کاهش و زمان پاسخ تا ۲۵٪ بهبود می یابد، در حالی که افت دقت کمتر از ۲٪ باقی می ماند. این روش مسیر جدیدی برای استقرار پایدار مدل های یادگیری عمیق در زیرساخت های لبه فراهم می سازد.

کلیدواژه ها:

یادگیری عمیق کم مصرف ، کوانتیزاسیون تطبیقی ، یادگیری فدرال ، سامانه های لبه ، تخصیص منابع ، بهینه سازی انرژی DNN