ВИКОРИСТАННЯ БІБЛІОТЕКИ ПРОГРАМ TENSORFLOW ДЛЯ РЕАЛІЗАЦІЇ НЕЙРОМЕРЕЖ НА МІКРОКОНТРОЛЕРАХ ФІРМИ INFINEON TECHNOLOGIES AG
Анотація
Останнім часом суттєво збільшується кількість задач розв’язання яких через свою складність стає можливою тільки з використанням методів машинного навчання. Виходячи з означення машинного навчання, можна зрозуміти, що його використовують у випадках, коли традиційним способом задача погано формалізується і визначення правил чи закономірностей для неї утруднене. Так, наприклад, використовуючи традиційні парадигми програмування, написання алгоритму розпізнавання зображень в більшості випадків не дає задовільних результатів. В такому випадку звертаються до машинного навчання, яке визначає правила і закономірності, аналізуючи вхідні і вихідні дані, і надає можливість з певною імовірністю провести розпізнавання зображення.
Головною проблемою використання нейронних мереж на сьогодні є те, що їх розмір, а через це і кількість математичних операцій, займає дуже великий обсяг. Це призводить до ускладнення і зниження швидкодії алгоритмів, які використовують нейронні мереж. Зазвичай, задачі з використанням нейронних мереж потребують отримання швидкого результату, і тоді, для використання нейронних мереж на IoT пристроях підключають віддалений сервер, який отримує набір даних, пропускає їх через нейронну мережу, і надсилає дані у відповідь. У такого способу організації використання нейронної мережі є очевидні недоліки, такі як: потреба у постійному і швидкому інтернет підключенні (що іноді не є можливим); потрапляння конфіденційної інформації користувача у інтернет мережу (що підвищує ризик перехоплення цих даних зловмисниками); потужний віддалений сервер, який спроможний паралельно обраховувати достатню кількість запитів від пристроїв користувачів, задля надання мінімального часу затримки між отриманням і надсиланням запитів і т.д.
Альтернативним способом використання та організації нейронних мереж на IoT пристроях є їх квантування (перетворення значень ваг нейронної мережі в цілочисельні значення з значень із плаваючою комою), що значно зменшує розмір навченої нейронної мережі, і дозволяє, в свою чергу, обчислювати математичні операції нейронних мереж на процесорах, призначених для роботи з цілочисельними типами даних. Такий спосіб організації нейронних мереж не потребує доступу до інтернету, що, в свою чергу, виключає час очікування на передачу і приймання даних по бездротових мережах, а також виключає можливість перехоплення конфіденційних даних користувача під час передавання або приймання даних.
Ключові слова: штучні нейронні мережі, нейронні мережі на мікроконтролері, квантування нейронних мереж.
Повний текст:
PDFПосилання
TensorFlow Guide [Електронний ресурс] – Режим доступу: https://www.tensorflow.org/guide - 30.09.2020
Post-training quantization [Електронний ресурс] – Режим доступу: https://www.tensorflow.org/lite/performance/post_training_quantization - 11.11.2020
Karpin O. Method of Neural Network Training with Integer Weights / O. Karpin, V. Mandziy, Z. Liubun, V. Rabyk // Proceedings of the XIth International Scientific and Practical Conference "Electronics and Information Technologies" (ELIT - 2019), September 16 – 18, 2019, Lviv, Ukraine. P. 168 – 172. doi: 10.1109/ELIT.2019.8893349 .
CY8CKIT-062-WiFi-BT PSoC® 6 Wi-Fi Pioneer Kit Guide [Електронний ресурс]
Документація Cypress Semiconductor щодо мікроконтролера PSoC 6 6 Wi-Fi Pioneer Kit – Режим доступу: https://www.cypress.com/file/407731/download – 30.09.2020 р.
DOI: http://dx.doi.org/10.30970/eli.14.4
Посилання
- Поки немає зовнішніх посилань.