ترجمه فارسی مقاله MONAS: جستجوی کارآمد معماری عصبی صفر شات برای MCU

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 MONAS: Efficient Zero-Shot Neural Architecture Search for MCUs
عنوان مقاله به فارسی MONAS: جستجوی کارآمد معماری عصبی صفر شات برای MCU
نویسندگان Ye Qiao, Haocheng Xu, Yifan Zhang, Sitao Huang
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
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

Neural Architecture Search (NAS) has proven effective in discovering new Convolutional Neural Network (CNN) architectures, particularly for scenarios with well-defined accuracy optimization goals. However, previous approaches often involve time-consuming training on super networks or intensive architecture sampling and evaluations. Although various zero-cost proxies correlated with CNN model accuracy have been proposed for efficient architecture search without training, their lack of hardware consideration makes it challenging to target highly resource-constrained edge devices such as microcontroller units (MCUs). To address these challenges, we introduce MONAS, a novel hardware-aware zero-shot NAS framework specifically designed for MCUs in edge computing. MONAS incorporates hardware optimality considerations into the search process through our proposed MCU hardware latency estimation model. By combining this with specialized performance indicators (proxies), MONAS identifies optimal neural architectures without incurring heavy training and evaluation costs, optimizing for both hardware latency and accuracy under resource constraints. MONAS achieves up to a 1104x improvement in search efficiency over previous work targeting MCUs and can discover CNN models with over 3.23x faster inference on MCUs while maintaining similar accuracy compared to more general NAS approaches.

چکیده به فارسی (ترجمه ماشینی)

جستجوی معماری عصبی (NAS) در کشف معماری های جدید شبکه عصبی Convolutional (CNN) ، به ویژه برای سناریوهایی با اهداف بهینه سازی دقت و دقت ، اثبات شده است.با این حال ، رویکردهای قبلی اغلب شامل آموزش های وقت گیر در شبکه های فوق العاده یا نمونه گیری و ارزیابی معماری فشرده است.اگرچه پروکسی های مختلف هزینه صفر با دقت مدل CNN برای جستجوی معماری کارآمد بدون آموزش ارائه شده است ، اما عدم توجه به سخت افزار آنها باعث می شود که هدف قرار دادن دستگاه های لبه بسیار محدود با منابع مانند واحدهای میکروکنترلر (MCUS) به چالش کشیده شود.برای پرداختن به این چالش ها ، ما موناس را معرفی می کنیم ، یک چارچوب جدید NAS-SHOT ZERO-SHOT AWARE جدید که به طور خاص برای MCUS در Edge Computing طراحی شده است.موناس از طریق مدل تخمین تأخیر سخت افزاری MCU پیشنهادی ما ، ملاحظات بهینه سخت افزاری را در فرآیند جستجو قرار می دهد.با ترکیب این کار با شاخص های تخصصی عملکرد (پروکسی) ، موناس بدون تحمل هزینه های آموزش و ارزیابی سنگین ، معماری های بهینه عصبی را شناسایی می کند ، بهینه سازی هم برای تأخیر سخت افزاری و هم در محدودیت های منابع.موناس تا 1104 برابر در کارآیی جستجو نسبت به کار قبلی که MCU را هدف قرار می دهد ، می تواند به پیشرفت 1104 برابر برسد و می تواند مدلهای CNN را با بیش از 3.23 برابر استنتاج سریعتر در MCU ها کشف کند و در حالی که دقت مشابهی را در مقایسه با رویکردهای عمومی NAS حفظ 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.