深度学习模型中的优化策略需要针对不同的用例采用不同的技术。此外,模型部署生命周期的不同阶段规定了可能的和特定的优化策略。在本文中,针对图像分类案例,提出了一种边缘计算环境下的优化深度学习模型。对于数据集的准备,利用图像预处理和数据增强方法为训练过程准备数据。为了加速深度学习训练过程,本系统实现了CPU优化和超参数调整。应用Tensorflow作为训练模型的框架。在深度学习训练对比中,应用InceptionV3、VGG16和MobileNet作为拓扑实现。在本例中,InceptionV3被用于对边缘的深度学习应用进行建模。为了优化训练后的模型,在边缘设备上使用了模型优化器。在实验中可以看到,MobileNet是最不准确的模型(85%),加载模型的时间最长(71s)。VGG16是最可靠的(91%),加载模型的时间最短(50s)。InceptionV3的准确率中位数(87%),加载模型的平均时间(52s)。
共2条
1/1 1 跳转至页
iSEC:一个优化的深度学习模型,用于边缘计算的图像分类
共2条
1/1 1 跳转至页
回复
有奖活动 | |
---|---|
奖!发布技术笔记,技术评测贴换取您心仪的礼品 | |
【有奖活动】震撼来袭!这场直播将直击工程师的心灵! | |
“我想要一部加热台”活动,不花钱赢取开发好工具!活动开始了哦 | |
【有奖活动】伙伴们:您的“需求”解决了吗? | |
抽奖了,抽奖了,金升阳医疗电源 |
打赏帖 | |
---|---|
【换取手持数字示波器】+与同事对定时器输出相位可调PWM移相全桥控制分享被打赏50分 | |
【换取手持数字示波器】+LP-MSPM0L1306开发板试用体验+串口被打赏40分 | |
CC-RL编译器相关问题求助被打赏10分 | |
【换取手持数字示波器】+与同事对ESP-12开发调试经验分享被打赏50分 | |
【换取手持数字示波器】+同事tek示波器调试spi解析被打赏50分 | |
【换取手持数字示波器】+2.6寸墨水屏调试经验被打赏50分 | |
换取手持数字示波器+个人开关电源的设计经验被打赏50分 | |
【换取手持数字示波器】+【APT32F173测评】+URAT被打赏20分 | |
【换取手持数字示波器】CH32X035的定时器以及外部中断体验被打赏50分 | |
【换取手持数字示波器】CH32X035搭建开发环境(RISC-V)被打赏50分 |