TinyML شاخهای از یادگیری ماشین است که روی بهینهسازی مدلها برای اجرا روی سختافزارهای بسیار ضعیف (مانند میکروکنترلرهای ARM Cortex-M با چند کیلوبایت رم) تمرکز دارد.
تکنیکهای بهینهسازی:
- Quantization: تبدیل وزنهای ۳۲ بیتی (Float) به ۸ بیتی (Int).
- Pruning: حذف نورونها و اتصالات غیرضروری که تأثیر کمی در خروجی دارند.
- Knowledge Distillation: آموزش یک مدل کوچک (Student) توسط یک مدل بزرگ (Teacher).
این حوزه برای سئو و طراحی سایتهای نسل بعد که نیاز به پردازش محلی روی مرورگر کاربر دارند، بسیار کاربردی است.
- جمعه ۲۱ فروردین ۰۵ ۱۵:۳۴
- ۱ بازديد
- ۰ نظر