面向树莓派的深度学习模型优化
系统与控制
2023-04-27 v1 人工智能
机器学习
性能
系统与控制
摘要
深度学习模型已越来越广泛地应用于包括计算机视觉、自然语言处理和语音识别在内的多种任务。然而，这些模型通常需要大量计算资源，难以在低功耗设备（如树莓派）上运行。解决该挑战的一种方法是使用剪枝技术来减小深度学习模型的规模。剪枝涉及从模型中移除不重要的权重和连接，从而得到更小且更高效的模型。剪枝可在训练期间或模型训练完成后进行。另一种方法是专门针对树莓派架构优化深度学习模型。这可包括优化模型的架构和参数以利用树莓派的硬件能力（如CPU和GPU）。此外，可通过最小化所需计算量来优化模型的能效。对树莓派进行深度学习模型的剪枝和优化，有助于克服低功耗设备的计算和能耗限制，使深度学习模型能在更广泛的设备上运行。在后续章节中，我们将更详细地探讨这些方法，并讨论它们在优化树莓派深度学习模型方面的有效性。
引用
@article{arxiv.2304.13039,
title = {Optimizing Deep Learning Models For Raspberry Pi},
author = {Salem Ameen and Kangaranmulle Siriwardana and Theo Theodoridis},
journal= {arXiv preprint arXiv:2304.13039},
year = {2023}
}