开发人员在智能家居设备中融合了ML和IOT

开发人员在智能家居设备中融合了ML和IOT_人工智能_机器人

MCUNet在现成的微控制器上嵌入了深度学习神经网络,以减少内存的使用。


人工智能是一项正在定期进行大量研究的技术。世界各地的研究人员都在努力使基于AI的应用更快,更好。多年来,人类遇到了人工智能导致的难题。为了缓解日常难题,麻省理工学院(MIT)和国立台湾大学的研究人员已合作,将深层神经网络嵌入微控制器中。这意味着可以在智能可穿戴设备和家用电器中实现微芯片形式的AI,从而导致物联网(设备)与AI之间的高级融合。题为“ MCUNet:物联网设备上的微型深度学习”的研究论文定于12月在神经信息处理系统大会上发表。研究人员希望通过这种方法在IoT设备的传感器执行数据分析,从而扩大AI应用程序的范围。


了解MCUnet


研究人员创建的设备称为MCUnet。它是一种神经网络架构,可在现成的微控制器上实现ImageNet规模的深度学习。ImageNet是一个图像数据库,每个节点由数千个图像描绘。在该模型中,联合优化了深度学习设计和推理库,以消除传统微控制器的上有限内存所面临的困难,并减少了内存使用量。


TinyNAS是一种深度学习设计,具有两阶段神经体系结构搜索(NAS)方法,可处理各种微控制器上微小且多样化的内存约束。研究指出,TinyNAS首先通过自动优化搜索空间以适应微小的资源限制,然后在优化的空间中进行神经体系结构搜索来解决该问题。TinyNAS通过缩放输入分辨率和模型宽度来生成不同的搜索空间,然后收集搜索空间内满意网络的计算FLOP分布以评估其优先级。在内存约束下较高的FLOP会产生更好的深度学习模型。实验表明,优化的空间可以提高NAS搜索模型的准确性。


研究人员指出,TinyEngine是一种内存高效的推理库,它消除了不必要的内存占用,因此搜索空间得到了扩展,以适应具有更高准确性和更大的深度的学习模型。由于推理库需要额外的运行内存,因此TinyEngine会编译基于代码生成器的方法,从而消除内存占用率并适应内存调度,而不是逐层优化以更好地制定策略以减少内存使用。最后,它执行专门的计算优化,包括针对不同层的循环切片,循环展开和操作融合,从而加快了推理速度。


研究人员观察到,与传统的深度学习相比,MCUNet通过系统算法协同设计更好地利用了资源。研究人员得出的结论是,现有模型在脱机微控制器上达到了纪录的70.7%的精度。


43
13
0
68

相关资讯

  1. 1、Win10电脑开机有三个系统选项怎么操作?4593
  2. 2、nh文件如何打开?2432
  3. 3、U盘插入显示请将磁盘插入驱动器要怎么解决?3376
  4. 4、Win10专业版怎么给硬盘加密?硬盘加密要如何解除?4614
  5. 5、Win7系统显示电池不充电怎么办?1118
  6. 6、Win10开机蓝屏提示0xc000000d怎么解决?4260
  7. 7、Win8系统出现BIOS中SecureBoot无法更改怎么办?3503
  8. 8、帧是什么意思?游戏中掉帧的帧是什么意思?1966
  9. 9、Win10如何去分盘?3980
  10. 10、人人视频app怎么缓存视频?人人视频app缓存视频的方法1214
全部评论(0)
我也有话说
0
收藏
点赞
顶部