دستگاه های Edge منابع محاسباتی محدودی دارند و طراحی معماری های یادگیری عمیق کارآمد را ضروری می سازند.این مقاله اصول و محاسبات کلیدی را برای بهینه سازی مدل ها برای استقرار در چنین دستگاه ها مورد بحث قرار می دهد.

اصول طراحی معماری کارآمد

طراحی برای دستگاه های لبه نیاز به متعادل سازی پیچیدگی مدل با عملکرد اصول کلیدی شامل کاهش اندازه مدل، به حداقل رساندن بار محاسباتی و حفظ دقت تکنیک هایی مانند مدل ⁇ ، quantization و بهینه سازی معماری به طور معمول استفاده می شود.

محاسبه برای بهینه سازی مدل

محاسبه ها به تعیین مناسب بودن یک مدل برای استقرار لبه کمک می کنند.معیارهای مهم شامل تعداد پارامترهای، FLOPs (عملیات نقطه شناور) و فوتوشن حافظه است.

تکنیک های کارایی

  • [[۱] [۱۰] مدل Pruning: [[۱۰] [۱۰] [۱]] [۱۰] [۱۰]] [۱۰] [۱۰]] [۱۰] [۱]] [۳] [۱]] [۱۰]] [۱۰] [۳] [۱]] [۳] [۱]]) حذف وزن اضافی برای کاهش اندازه.
  • [ [[ویرایش]] استفاده از انواع داده های دقیق برای کاهش محاسبات.
  • [در این باره] [مشرکان]: [[۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱]] آموزش مدل های کوچکتر برای تقلید از مدل های بزرگتر.
  • جستجوی معماری: اتوماسیون طراحی مدل های کارآمد.