Table of Contents
شناخت واقعی شی نیازمند شبکه های عصبی است که هم دقیق و هم سریع هستند.طراحی چنین شبکه هایی شامل متعادل کردن پیچیدگی و کارایی محاسباتی است تا بدون قربانی کردن عملکرد سریع پردازش شود.
اصول کلیدی طراحی شبکه عصبی کارآمد
بهره وری در شبکه های عصبی با کاهش تعداد پارامترهای و عملیات مورد نیاز برای استنتاج به دست می آید. تکنیک هایی مانند مدل ⁇ ، سنجش و بهینه سازی معماری به ایجاد مدل های سبک مناسب برای برنامه های زمان واقعی کمک می کند.
معماری های محبوب برای تشخیص real-Time
چندین معماری شبکه عصبی برای سرعت و کارایی بهینه شده اند، نمونه هایی از MobileNet، ShddleNet و SqueezeNet این مدل ها برای انجام عملکرد خوب در دستگاه هایی با منابع محاسباتی محدود در حالی که دقت بالا دارند.
تکنیک های بهبود کارایی
- مدل سازی فشرده سازی ؛ کاهش اندازه مدل از طریق ⁇ و quantization.
- [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱] [۱] [۱] آموزش مدل های کوچکتر برای تقلید مدل های بزرگتر، دقیق تر.
- معماری های پیشرفته: [FLT 1] با استفاده از طرح هایی که به طور خاص برای سرعت ایجاد شده اند، مانند تکامل عمیق جدایی ناپذیر.
- شتاب سخت افزار: GPU های Leveraging، تنگستن، و یا سخت افزار تخصصی برای استنتاج سریع تر.