Abstrato

Machine Learning 2018: NumPyCNNAndroid: uma biblioteca para a execução clara de sistemas neurais convolucionais para dispositivos Android - Ahmed Fawzy Mohamed Gad - Universidade Menoufia

Ahmed FawzyMohamed Gad

Recomenda-se outra biblioteca de código aberto chamada NumPyCNNAndroid, que limita a sobrecarga de construção e execução de sistemas neurais convolucionais em dispositivos Android. A biblioteca está escrita em Python 3. Utiliza o Kivy para construir a interface da aplicação e o python numérico para construir o próprio sistema. A biblioteca suporta as camadas mais conhecidas. Em contraste com as bibliotecas de aprendizagem profunda geralmente conhecidas, o NumPyCNNAndroid mantém uma distância estratégica da sobrecarga adicional de tornar o sistema apropriado para funcionar em telemóveis. Os resultados do teste aprovam a correção da execução da biblioteca, observando os resultados da biblioteca proposta e do TensorFlow, dependendo do erro supremo. relu-pool progressivas, mostre os seus rendimentos, retorne para que o cliente possa executar as três camadas seguintes clicando num botão na base do ecrã. O resultado anterior antes de bater na captura será utilizado para manuseamento adicional. Este empreendimento depende de um empreendimento anterior chamado NumPyCNN, mas o NumPyCNNAndroid está atualmente a tentar o Android. Com os seus processadores multi-core, GPUs dedicados e gigabytes de RAM, as capacidades dos smartphones atuais já foram muito além da execução de aplicações telefónicas integradas padrão ou de simples jogos móveis. Embora o seu poder computacional já exceda significativamente as necessidades da maioria dos casos de utilização quotidiana, os algoritmos de inteligência artificial continuam a ser um desafio, mesmo para smartphones e tablets topo de gama. ligados a tarefas destinadas a dispositivos móveis. Um grupo sem tabela de tais tarefas está relacionado com problemas de visão computacional, tais como classificação de imagens, melhoramento e super-resolução de imagens, reconhecimento ótico de caracteres, seguimento de objetos, compreensão visual de cenas, deteção e reconhecimento de rostos, seguimento de olhar, etc. abrange vários problemas de processamento de linguagem natural, tais como tradução de linguagem natural, conclusão de frases, análise de sentimentos de frases ou chatbots interativos. Um grupo separado lida com o processamento de dados de sensores online para reconhecimento de atividade humana. a partir de dados de acelerómetros, reconhecimento de gestos ou monitorização do sono. dos algoritmos de IA não estão disponíveis em smartphones ou são executados em servidores remotos devido às limitações de hardware dos telefones acima mencionados. A última opção também não é perfeita, provocando:a) questões de privacidade; b) dependência de ligação à internet; c) atrasos associados à latência da rede; d) problemas de estrangulamento — o número de possíveis clientes depende da capacidade computacional dos servidores. Para ultrapassar estes problemas, houve várias tentativas de portar algoritmos separados ou bibliotecas inteiras de aprendizagem automática para plataformas móveis com aceleração adicional de hardware (HA) utilizando GPUs ou DSPs. Os autores implementaram um motor de classificação de redes neuronais móveis capaz de tarefas de inferência de sensores no Hexagon DSP da Qualcomm. programa e espaço de memória. Os autores apresentaram uma biblioteca CNNdroid acelerada por GPU para execução paralela de CNNs pré-treinadas em GPUs móveis  

Biografia:

Estudou na Universidade de Menoufia, Egito