DeepWear：面向可穿戴设备深度学习的自适应本地卸载
计算机与社会
2021-01-14 v3 机器学习
摘要
由于其随身与普适的特性，可穿戴设备能够生成广泛的独特传感器数据，为深度学习任务创造了无数机会。我们提出DeepWear，一个面向可穿戴设备的深度学习(DL)框架，用以提升性能并降低能耗足迹。DeepWear通过本地网络将DL任务从可穿戴设备策略性地卸载至其配对手持设备。相较于基于远程云的卸载，DeepWear无需互联网连接、能耗更低，且对隐私泄露具有鲁棒性。DeepWear提供了情境感知卸载、策略性模型划分与流水线支持等多种新技术，以高效利用附近配对手持设备的处理能力。作为用户空间库部署的DeepWear提供了对开发者友好的API，其简便程度与传统DL库(如TensorFlow)相当。我们已在Android OS上实现DeepWear，并在配备真实DL模型的商用现货智能手机与智能手表上进行了评估。与仅可穿戴与仅手持策略相比，DeepWear分别带来了高达5.08倍与23.0倍的执行加速，以及53.5%与85.5%的节能。
引用
@article{arxiv.1712.03073,
title = {DeepWear: Adaptive Local Offloading for On-Wearable Deep Learning},
author = {Mengwei Xu and Feng Qian and Mengze Zhu and Feifan Huang and Saumay Pushp and Xuanzhe Liu},
journal= {arXiv preprint arXiv:1712.03073},
year = {2021}
}