بهینه سازی برونسپاری محاسباتی شبکه های عصبی عمیق برای تشخیص فعالیت انسانی
با توجه به محدودیتهای منابع محاسباتی موجود در دستگاههای تلفن همراه، این دستگاهها در اجرای برخی وظایف روزمره با چالش مواجه هستند. یک راه حل برای این مشکل، برونسپاری است که در آن، دستگاه پردازش خود را برای اجرا روی ابر محاسباتی ارسال میکند. مقاله حاضر با تمرکز بر روی کاربرد تشخیص فعالیت انسانی، روشهایی برای کاهش حجم دادههای ارسالی وظایف به ابر، با تکیه بر نقاط مطلوب در معامله بین دقت استنتاج یادگیری و هزینه ارتباطات برونسپاری ارایه میکند. سه روش پیشنهادی کاهش تعداد نمونههای داده، کاهش دقت اعشار نمونههای داده و فشرده سازی نمونه های داده ارایه شده است که در روش اول نمونه های داده قبل از ارسال به صورت یکی در میان یا بیشتر حذف شده و در سمت ابر با تخمین درونیابی مجددا بازیابی میشوند. در روش کاهش دقت اعشار، نمونه های داده قبل از ارسال با یک نگاشت به عدد صحیح با تعداد بیت محدود تبدیل و در سمت ابر با نگاشت معکوس به صورت تخمینی بازیابی میشوند. در روش فشردهسازی، نمونه های داده قبل از ارسال، با یک الگوریتم فشردهسازی سبک دلتا به یکی از دو روش با اتلاف یا بدون اتلاف فشرده میشوند. نتایج عملی نشان میدهد اگر چه روشهای کاهش تعداد نمونه و کاهش دقت اعشار سبب کاهش حجم داده ارسالی بدون تاثیر قابل توجه بر روی دقت تشخیص میشوند، روش کاهش دقت اعشار به دلیل میزان کاهش بیشتر حجم داده نسبت به روش کاهش تعداد نمونه ها برتری دارد. ضمنا روش فشردهسازی دلتا به اندازه دو روش دیگر موثر نمیباشد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.