این برنامه لینوکسی AIMET نام دارد که آخرین نسخه آن با عنوان Version2.17.0sourcecode.tar.gz قابل دانلود است. می‌توان آن را به صورت آنلاین در ارائه دهنده خدمات میزبانی رایگان OnWorks برای ایستگاه‌های کاری اجرا کرد.
این اپلیکیشن با نام AIMET را با OnWorks به صورت آنلاین دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. OnWorks Linux آنلاین یا شبیه ساز آنلاین ویندوز یا شبیه ساز آنلاین MACOS را از این وب سایت راه اندازی کنید.
- 5. از سیستم عامل لینوکس OnWorks که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. اپلیکیشن را دانلود کرده، نصب و اجرا کنید.
عکس ها
Ad
AIMET
شرح
مرکز نوآوری کوالکام (QuIC) در خط مقدم امکان استنتاج کم مصرف در لبه از طریق تحقیقات پیشگام در کارایی مدل است. QuIC ماموریت دارد که به مهاجرت اکوسیستم به سمت استنتاج نقطه ثابت کمک کند. با این هدف، QuIC جعبه ابزار کارایی مدل AI (AIMET) را ارائه می‌کند - کتابخانه‌ای که تکنیک‌های کوانتیزاسیون و فشرده‌سازی پیشرفته را برای مدل‌های شبکه عصبی آموزش‌دیده ارائه می‌دهد. AIMET شبکه‌های عصبی را قادر می‌سازد تا بر روی شتاب‌دهنده‌های سخت‌افزاری نقطه ثابت هوش مصنوعی کارآمدتری اجرا کنند. استنتاج کوانتیزه به طور قابل توجهی سریعتر از استنتاج ممیز شناور است. به عنوان مثال، مدل‌هایی که ما روی Qualcomm® Hexagon™ DSP به جای پردازنده Qualcomm® Kryo™ اجرا کرده‌ایم، منجر به افزایش سرعت 5 تا 15 برابری شده‌اند. بعلاوه، یک مدل 8 بیتی نسبت به مدل 4 بیتی، 32 برابر حافظه کمتری دارد. با این حال، اغلب هنگام کمی کردن یک مدل یادگیری ماشین (به عنوان مثال، از نقطه شناور 32 بیتی به یک مقدار نقطه ثابت 8 بیتی)، دقت مدل قربانی می شود.
امکانات
- تانسورهای وزن را برای کاهش تغییرات دامنه در کانال ها یکسان کنید
- تکنیک تجزیه تانسور برای تقسیم یک لایه بزرگ به دو لایه کوچکتر
- تغییر در خروجی های لایه ایجاد شده به دلیل کوانتیزاسیون را تصحیح می کند
- کانال های ورودی اضافی را از یک لایه حذف می کند و وزن لایه ها را بازسازی می کند
- از سیم کارت کوانتیزه کردن برای آموزش بیشتر مدل برای بهبود دقت استفاده کنید
- به طور خودکار میزان فشرده سازی هر لایه در مدل را انتخاب می کند
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه ای است که می توان آن را از https://sourceforge.net/projects/aimet.mirror/ نیز دریافت کرد. در OnWorks میزبانی شده است تا به آسانی از یکی از سیستم عامل های رایگان ما به صورت آنلاین اجرا شود.
