ĐÁNH GIÁ HIỆU NĂNG CỦA MỘT SỐ CẤU TRÚC MẠNG NEURON SÂU TRONG MÔ HÌNH ĐIỆN TOÁN BIÊN

Abstract

Ngày nay, trí tuệ nhân tạo (AI) và học sâu (DL) đã trở thành một phần không thể thiếu của công nghệ hiện đại. Tuy nhiên, hầu hết các mô hình học sâu Yêu cầu tài nguyên tính toán lớn, khiến chúng không có khả năng phát triển khai báo về các thiết bị có giới hạn tài nguyên, đặc biệt là trên các thiết bị biên giới. Do đó, nhiều cải tiến đối với kiến ​​trúc học sâu đã được xuất bản để cho phép chúng hoạt động với các giới hạn về tính toán và bộ nhớ. Bài báo này đã thực hiện một số khảo sát đánh giá khả năng hoạt động của các mô hình học sâu khác nhau khi được phát triển trên một thiết bị biên dịch là Raspberry Pi 4, một thiết bị thường có chế độ tính toán mạnh mạnh mẽ, bộ nhớ và năng lượng. Đánh giá sẽ tập trung vào các yếu tố quan trọng như độ chính xác, sử dụng bộ nhớ, tốc độ xử lý và tốc độ suy suy luận; Mục tiêu xác định các mô hình có thể đạt được hiệu suất tối ưu trên các thiết bị biên giới như Raspberry Pi 4 mà không làm giảm đáng kể độ chính xác hay hiệu suất. Các khảo sát kết quả sẽ được sử dụng để hỗ trợ phát triển các AI trong môi trường chế độ tài nguyên giới hạn cho các ứng dụng điện toán thực tế.