بهينه سازي برونسپاري محاسباتي شبكه هاي عصبي عميق براي تشخيص فعاليت انساني

فاقد عنوان

با توجه به محدوديت‌هاي منابع محاسباتي موجود در دستگاه‌هاي تلفن همراه، اين دستگاه‌ها در اجراي برخي وظايف روزمره با چالش مواجه هستند. يك راه حل براي اين مشكل، برون‌سپاري است كه در آن، دستگاه پردازش خود را براي اجرا روي ابر محاسباتي ارسال مي‌كند. مقاله حاضر با تمركز بر روي كاربرد تشخيص فعاليت انساني، روشهايي براي كاهش حجم دادههاي ارسالي وظايف به ابر، با تكيه بر نقاط مطلوب در معامله بين دقت استنتاج يادگيري و هزينه ارتباطات برون‌سپاري ارايه مي‌كند. سه روش پيشنهادي كاهش تعداد نمونه‌هاي داده‌، كاهش دقت اعشار نمونه‌هاي داده‌ و فشرده سازي نمونه هاي داده ارايه شده است كه در روش اول نمونه هاي داده قبل از ارسال به صورت يكي در ميان يا بيشتر حذف شده و در سمت ابر با تخمين درونيابي مجددا بازيابي ميشوند. در روش كاهش دقت اعشار، نمونه هاي داده قبل از ارسال با يك نگاشت به عدد صحيح با تعداد بيت محدود تبديل و در سمت ابر با نگاشت معكوس به صورت تخميني بازيابي ميشوند. در روش فشردهسازي، نمونه هاي داده قبل از ارسال، با يك الگوريتم فشرده‌سازي سبك دلتا به يكي از دو روش با اتلاف يا بدون اتلاف فشرده ميشوند. نتايج عملي نشان ميدهد اگر چه روشهاي كاهش تعداد نمونه و كاهش دقت اعشار سبب كاهش حجم داده ارسالي بدون تاثير قابل توجه بر روي دقت تشخيص مي‌شوند، روش كاهش دقت اعشار به دليل ميزان كاهش بيشتر حجم داده نسبت به روش كاهش تعداد نمونه ها برتري دارد. ضمنا روش فشرده سازي دلتا به اندازه دو روش ديگر موثر نميباشد.

not anstract