Key points are not available for this paper at this time.
تزداد الأنظمة الفرعية القائمة على التعلم الآلي لتصبح جزءًا من أجهزة الحافة في إنترنت الأشياء، مما يتطلب معماريات وتطبيقات فعالة من حيث الموارد، خاصة عندما تكون في سيناريوهات محدودة البطارية. الطبيعة غير الدقيقة للشبكات العصبية الالتفافية (CNNs) تفتح المجال لاستخدام الحسابات التقريبية لتقليل وقت التشغيل واستهلاك الطاقة المطلوبين على أجهزة الحافة في إنترنت الأشياء ذات الموارد المحدودة دون المساومة بشكل كبير على مخرجات التصنيف لديهم. في هذه الورقة، نقترح طريقة لاستكشاف المرونة ومسرع تقريبي جديد لتسريع تنفيذ الطبقة الالتفافية، وهي المكون الأكثر استهلاكًا للوقت في الشبكات العصبية الالتفافية، لأجهزة الحافة في إنترنت الأشياء. يتم تنفيذ الشبكات العصبية الالتفافية المدربة باستخدام إطار عمل كافيه على نظام على شريحة مع أجهزة قابلة لإعادة التكوين متاحة، حيث يتم نشر المسرع التقريبي. يمكن لتطبيقات الشبكات العصبية الالتفافية المطورة باستخدام كافيه الاستفادة من تسريعنا التقريبي لتنفيذها على أجهزة الحافة في إنترنت الأشياء.
درس غودينيز وزملاؤه (السبت) هذا السؤال.