یادگیری ماشین کارآمد انرژی بر کاهش مصرف انرژی در سیستم های جاسازی شده تمرکز دارد در حالی که عملکرد را حفظ می کند، این رویکرد برای دستگاه هایی با منابع محدود، مانند سنسورهای IoT و دستگاه های تلفن همراه ضروری است. پیاده سازی الگوریتم های کارآمد انرژی و بهینه سازی سخت افزار می تواند طول عمر دستگاه را گسترش دهد و هزینه های عملیاتی را کاهش دهد.

اصول یادگیری ماشین انرژی-Efficient Machine Learning

اصول اصلی شامل به حداقل رساندن پیچیدگی محاسباتی، بهینه سازی پردازش داده ها و استفاده از قابلیت های سخت افزاری مانند مدل ⁇ ، سنجش و شتاب دهنده های سخت افزاری کم قدرت کمک به کاهش مصرف انرژی دقیق و بهره وری برای استقرار موثر در سیستم های جاسازی شده بسیار مهم است.

محاسبه برای مصرف برق

برآورد استفاده از قدرت شامل تجزیه و تحلیل انرژی در هر عملیات و تعداد کل عملیات در طول استنتاج است.

[[ویرایش] [۱] [۲] [۱] [۲] [۲]] [۲]] [۲] [۲]] [۲] [۲]] [۲]] [۲] [۲] [۲]] [۲] [۲] [۲] [۲] [۲] [۲] [۱] [۱] [۱] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۱] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲] [۲]

در جایی که مصرف برق را می توان به اجزایی مانند CPU، حافظه و شتاب دهنده های سخت افزاری تقسیم کرد، به عنوان مثال، اگر یک استنتاج مدل 0.5 ثانیه طول بکشد و میانگین جذب برق 1 وات باشد، انرژی مورد استفاده 0.5 ژول است.

استراتژی های بهبود کارایی انرژی

پیاده سازی استراتژی های زیر می تواند به طور قابل توجهی مصرف انرژی را کاهش دهد:

  • مدل سازی فشرده سازی ؛ کاهش اندازه مدل از طریق ⁇ و quantization.
  • بهینه سازی سخت افزار: با استفاده از پردازنده های کم قدرت و شتاب دهنده.
  • قطع عضو سازگار: [FLT 1] تنظیم پیچیدگی مدل بر اساس الزامات کار.
  • پردازش داده های ضروری: حداقل رساندن حرکت داده ها و دسترسی به حافظه.