اکسپرس 24
ترجمه فارسی مقاله دو بار فکر نکنید: از تغییرناپذیری شیفت برای استنتاج کارآمد جریان آنلاین CNNها استفاده کنید

ترجمه فارسی مقاله دو بار فکر نکنید: از تغییرناپذیری شیفت برای استنتاج کارآمد جریان آنلاین CNNها استفاده کنید

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Don't Think It Twice: Exploit Shift Invariance for Efficient Online Streaming Inference of CNNs
عنوان مقاله به فارسی دو بار فکر نکنید: از تغییرناپذیری شیفت برای استنتاج کارآمد جریان آنلاین CNNها استفاده کنید
نویسندگان Christodoulos Kechris, Jonathan Dan, Jose Miranda, David Atienza
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 6 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 320,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Deep learning time-series processing often relies on convolutional neural networks with overlapping windows. This overlap allows the network to produce an output faster than the window length. However, it introduces additional computations. This work explores the potential to optimize computational efficiency during inference by exploiting convolution's shift-invariance properties to skip the calculation of layer activations between successive overlapping windows. Although convolutions are shift-invariant, zero-padding and pooling operations, widely used in such networks, are not efficient and complicate efficient streaming inference. We introduce StreamiNNC, a strategy to deploy Convolutional Neural Networks for online streaming inference. We explore the adverse effects of zero padding and pooling on the accuracy of streaming inference, deriving theoretical error upper bounds for pooling during streaming. We address these limitations by proposing signal padding and pooling alignment and provide guidelines for designing and deploying models for StreamiNNC. We validate our method in simulated data and on three real-world biomedical signal processing applications. StreamiNNC achieves a low deviation between streaming output and normal inference for all three networks (2.03 - 3.55% NRMSE). This work demonstrates that it is possible to linearly speed up the inference of streaming CNNs processing overlapping windows, negating the additional computation typically incurred by overlapping windows.

چکیده به فارسی (ترجمه ماشینی)

پردازش سری زمانی عمیق یادگیری اغلب به شبکه های عصبی حلقوی با ویندوز همپوشانی متکی است.این همپوشانی به شبکه اجازه می دهد تا خروجی را سریعتر از طول پنجره تولید کند.با این حال ، محاسبات اضافی را معرفی می کند.این کار پتانسیل بهینه سازی بهره وری محاسباتی را در هنگام استنتاج با بهره برداری از خصوصیات تغییر تغییر Convolution برای صرفه جویی در محاسبه فعال سازی های لایه بین ویندوزهای همپوشانی پی در پی بررسی می کند.اگرچه پیچیدگی ها متغیر تغییر هستند ، عملیات صفر و جمع آوری ، که به طور گسترده در چنین شبکه هایی مورد استفاده قرار می گیرند ، استنباط جریان کارآمد و پیچیده نیست.ما Streaminnc را معرفی می کنیم ، یک استراتژی برای استقرار شبکه های عصبی حلقوی برای استنتاج جریان آنلاین.ما عوارض جانبی بالشتک صفر و استخر را بر روی صحت استنباط جریان ، به دست می آوریم ، که خطای نظری برای جمع آوری در طول جریان است.ما با پیشنهاد بالشتک سیگنال و تراز کردن ، این محدودیت ها را بررسی می کنیم و دستورالعمل هایی را برای طراحی و استقرار مدل ها برای StreamInnc ارائه می دهیم.ما روش خود را در داده های شبیه سازی شده و در سه برنامه پردازش سیگنال زیست پزشکی در دنیای واقعی تأیید می کنیم.Streaminnc به یک انحراف کم بین خروجی جریان و استنتاج طبیعی برای هر سه شبکه (2.03 - 3.55 ٪ NRMSE) دست می یابد.این کار نشان می دهد که می توان به طور خطی استنباط جریان CNN را با هم تداخل داشت ، و محاسبات اضافی را که معمولاً توسط همپوشانی ویندوز انجام می شود ، نفی می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.