ترجمه فارسی مقاله پیشبرد آموزش شبکه عصبی در دستگاه با TinyPropv2: پویا ، پراکنده و پشتوانه کارآمد

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 Advancing On-Device Neural Network Training with TinyPropv2: Dynamic, Sparse, and Efficient Backpropagation
عنوان مقاله به فارسی پیشبرد آموزش شبکه عصبی در دستگاه با TinyPropv2: پویا ، پراکنده و پشتوانه کارآمد
نویسندگان Marcus Rüb, Axel Sikora, Daniel Mueller-Gritschneder
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: 2024 International Joint Conference on Neural Networks (IJCNN)
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 2024 کنفرانس مشترک بین المللی شبکه های عصبی (IJCNN)
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

This study introduces TinyPropv2, an innovative algorithm optimized for on-device learning in deep neural networks, specifically designed for low-power microcontroller units. TinyPropv2 refines sparse backpropagation by dynamically adjusting the level of sparsity, including the ability to selectively skip training steps. This feature significantly lowers computational effort without substantially compromising accuracy. Our comprehensive evaluation across diverse datasets CIFAR 10, CIFAR100, Flower, Food, Speech Command, MNIST, HAR, and DCASE2020 reveals that TinyPropv2 achieves near-parity with full training methods, with an average accuracy drop of only around 1 percent in most cases. For instance, against full training, TinyPropv2's accuracy drop is minimal, for example, only 0.82 percent on CIFAR 10 and 1.07 percent on CIFAR100. In terms of computational effort, TinyPropv2 shows a marked reduction, requiring as little as 10 percent of the computational effort needed for full training in some scenarios, and consistently outperforms other sparse training methodologies. These findings underscore TinyPropv2's capacity to efficiently manage computational resources while maintaining high accuracy, positioning it as an advantageous solution for advanced embedded device applications in the IoT ecosystem.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه TinyPropv2 ، یک الگوریتم نوآورانه بهینه شده برای یادگیری در دستگاه در شبکه های عصبی عمیق ، که به طور خاص برای واحدهای میکروکنترلر کم مصرف طراحی شده است ، معرفی می کند.TinyPropv2 با تنظیم پویا سطح کمبود ، از جمله توانایی انتخاب مراحل آموزشی انتخابی ، بازگردانی پراکنده را پالایش می کند.این ویژگی به طور قابل توجهی تلاش محاسباتی را کاهش می دهد بدون اینکه دقت قابل توجهی را به خطر بیاندازد.ارزیابی جامع ما در مجموعه داده های متنوع Cifar 10 ، Cifar100 ، Flower ، Food ، Command گفتاری ، MNIST ، HAR و DCASE2020 نشان می دهد که TinyPropv2 با روش های آموزش کامل ، با یک کاهش دقت متوسط ​​فقط در حدود 1 درصد در بیشتر موارد به دست می آید.به عنوان مثال ، در برابر تمرینات کامل ، افت دقت TinyPropv2 حداقل است ، به عنوان مثال ، فقط 0.82 درصد در Cifar 10 و 1.07 درصد در CIFAR100.از نظر تلاش محاسباتی ، TinyPropv2 کاهش قابل توجهی را نشان می دهد ، که به 10 درصد از تلاش محاسباتی لازم برای آموزش کامل در برخی از سناریوها نیاز دارد و به طور مداوم از سایر روشهای آموزش پراکنده بهتر است.این یافته ها بر ظرفیت TinyPropv2 برای مدیریت کارآمد منابع محاسباتی ضمن حفظ دقت بالا ، تأکید می کند و آن را به عنوان یک راه حل سودمند برای برنامه های پیشرفته دستگاه تعبیه شده در اکوسیستم IoT قرار می دهد.

📚 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.