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.