ترجمه فارسی مقاله بازبینی آموزش DNN برای میکرو کامپیوترهای با انرژی متناوب

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 Revisiting DNN Training for Intermittently Powered Energy Harvesting Micro Computers
عنوان مقاله به فارسی بازبینی آموزش DNN برای میکرو کامپیوترهای با انرژی متناوب
نویسندگان Cyan Subhra Mishra, Deeksha Chaudhary, Jack Sampson, Mahmut Taylan Knademir, Chita Das
فرمت مقاله انگلیسی PDF
تعداد صفحات 30
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 24 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 24 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

The deployment of Deep Neural Networks in energy-constrained environments, such as Energy Harvesting Wireless Sensor Networks, presents unique challenges, primarily due to the intermittent nature of power availability. To address these challenges, this study introduces and evaluates a novel training methodology tailored for DNNs operating within such contexts. In particular, we propose a dynamic dropout technique that adapts to both the architecture of the device and the variability in energy availability inherent in energy harvesting scenarios. Our proposed approach leverages a device model that incorporates specific parameters of the network architecture and the energy harvesting profile to optimize dropout rates dynamically during the training phase. By modulating the network's training process based on predicted energy availability, our method not only conserves energy but also ensures sustained learning and inference capabilities under power constraints. Our preliminary results demonstrate that this strategy provides 6 to 22 percent accuracy improvements compared to the state of the art with less than 5 percent additional compute. This paper details the development of the device model, describes the integration of energy profiles with intermittency aware dropout and quantization algorithms, and presents a comprehensive evaluation of the proposed approach using real-world energy harvesting data.

چکیده به فارسی (ترجمه ماشینی)

استقرار شبکه های عصبی عمیق در محیط های محدود با انرژی ، مانند برداشت انرژی از شبکه های سنسور بی سیم ، چالش های منحصر به فردی را ارائه می دهد ، در درجه اول به دلیل ماهیت متناوب در دسترس بودن قدرت.برای پرداختن به این چالش ها ، این مطالعه یک روش آموزش جدید متناسب با DNN هایی را که در چنین زمینه هایی فعالیت می کنند ، معرفی و ارزیابی می کند.به طور خاص ، ما یک روش ترکیبی پویا را پیشنهاد می کنیم که هم با معماری دستگاه و هم تنوع در دسترسی به انرژی ذاتی در سناریوهای برداشت انرژی سازگار است.رویکرد پیشنهادی ما از یک مدل دستگاه استفاده می کند که شامل پارامترهای خاص معماری شبکه و مشخصات برداشت انرژی برای بهینه سازی نرخ ترک تحصیل به صورت پویا در مرحله آموزش است.با تعدیل فرایند آموزش شبکه بر اساس در دسترس بودن انرژی پیش بینی شده ، روش ما نه تنها از انرژی محافظت می کند بلکه توانایی های یادگیری پایدار و استنباط را نیز تحت محدودیت های قدرت تضمین می کند.نتایج اولیه ما نشان می دهد که این استراتژی 6 تا 22 درصد پیشرفت دقت را در مقایسه با وضعیت هنر با کمتر از 5 درصد محاسبات اضافی ارائه می دهد.در این مقاله به شرح توسعه مدل دستگاه ، ادغام پروفایل های انرژی با الگوریتم های ترکیبی و کمیت آگاهی متناوب ، و ارزیابی جامع از رویکرد پیشنهادی با استفاده از داده های برداشت انرژی در دنیای واقعی ارائه شده است.

📚 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.