JiahuiYu/slimmable_networks
این پروژه به بررسی شبکه‌های قابل تنظیم (Slimmable Networks) و روش‌های بهینه‌سازی آن‌ها می‌پردازد، که امکان اجرا در دستگاه‌های با منابع محدود را فراهم می‌کند.
کاربرد:
این شبکه‌ها این امکان را می‌دهند که یک مدل یادگیری عمیق بتواند در عرض‌های مختلف (widths) اجرا شود، بدون اینکه نیاز به آموزش جداگانه برای هر عرض باشد. این ویژگی برای استفاده در دستگاه‌های موبایل، IoT و سیستم‌های تعبیه‌شده بسیار مفید است.
در چه شرایطی بهتره استفاده شود؟
وقتی نیاز به تعادل بین دقت و سرعت/مصرف منابع دارید، مثلاً در محیط‌هایی که توان پردازشی محدود است یا زمان پاسخ‌دهی مهم است. همچنین وقتی می‌خواهید یک مدل واحد را در شرایط مختلف (مثل شب و روز، دستگاه‌های مختلف) بهینه اجرا کنید. ️
چند مثال از موارد استفاده:
- تشخیص اشیا در دوربین‌های هوشمند با قدرت پردازش پایین
- پردازش تصویر در دستگاه‌های پوشیدنی مثل ساعت‌های هوشمند
- سیستم‌های رباتیک که نیاز به پردازش بلادرنگ دارند
- مدل‌های تطبیقی که بسته به باتری دستگاه، دقت خود را تنظیم می‌کنند
- ##slimmable
- ##AutoSlim
- ##efficient
- ##model
- ##edge
- ##ICCV2019
- ##ICLR2019
- ##deep
- ##neural
- ##adaptive