检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

46 篇 专利
16 篇 学位论文
6 篇 期刊文献

馆藏范围

68 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

22 篇 工学
- 17 篇 计算机科学与技术...
- 13 篇 软件工程
- 12 篇 控制科学与工程
- 5 篇 仪器科学与技术
- 3 篇 机械工程
- 2 篇 电子科学与技术（可...
- 2 篇 信息与通信工程
- 2 篇 网络空间安全
- 1 篇 建筑学
- 1 篇 公安技术
13 篇 管理学
- 13 篇 管理科学与工程(可...
1 篇 理学
- 1 篇 数学
1 篇 艺术学
- 1 篇 设计学（可授艺术学...

主题

22 篇 模型划分
5 篇 边缘计算
5 篇 深度神经网络
2 篇 边缘智能
2 篇 协同推理
2 篇 云边协同
2 篇 任务卸载
2 篇 云边协同推理
2 篇 深度学习
2 篇 卷积神经网络
1 篇 q学习
1 篇 中毒攻击
1 篇 特征分析
1 篇 发酵
1 篇 联合推理
1 篇 深度学习模型
1 篇 制造
1 篇 知识蒸馏
1 篇 迁移学习
1 篇 深度强化学习

机构

5 篇 天津大学
4 篇 天脉聚源科技有限...
4 篇 电子科技大学
3 篇 北京交通大学
3 篇 中国科学院自动化...
2 篇 北京天下图数据技...
2 篇 福建师范大学
2 篇 中国人民解放军信...
2 篇 国家电网公司
2 篇 安徽理工大学
2 篇 云南电力试验研究...
2 篇 北京航空航天大学
2 篇 北京理工大学
2 篇 北京工业大学
2 篇 湖南师范大学
1 篇 国网浙江省电力公...
1 篇 华中科技大学
1 篇 西安邮电大学
1 篇 湖南大学
1 篇 中国科学院光电技...

作者

4 篇 刘建伟
3 篇 李磊
2 篇 张瀚铭
2 篇 李胜文
2 篇 张林山
2 篇 孟维亮
2 篇 苏适
2 篇 蔡志煌
2 篇 李妮
2 篇 严冬明
2 篇 王林元
2 篇 郭永宁
2 篇 郭建伟
2 篇 严玉廷
2 篇 宋卓希
2 篇 毕虹
2 篇 孙铭慧
2 篇 秦春
2 篇 林济铿
2 篇 关鸿亮

语言

68 篇 中文

检索条件"主题词=模型划分"

共 68 条记录，以下是11-20 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度强化学习的DNN协同推理加速方法研究

基于深度强化学习的DNN协同推理加速方法研究

引用

作者：许浩安徽理工大学

学位级别：硕士

随着人工智能研究的日益深化,深度神经网络(Deep Neural Networks,DNN)的模型层次不断加深,虽有效提高了众多智能应用的推理精准度,但对算力的需求也显著提升。将推理任务交由云端执行会产生较高的数据传输时延,而将任务全部卸载到终端... 详细信息

随着人工智能研究的日益深化,深度神经网络(Deep Neural Networks,DNN)的模型层次不断加深,虽有效提高了众多智能应用的推理精准度,但对算力的需求也显著提升。将推理任务交由云端执行会产生较高的数据传输时延,而将任务全部卸载到终端或边缘执行则会面临较大的计算压力。所以,本文主要研究深度神经网络的协同推理加速方法。现有的智能推理加速算法在当网络状态和任务需求快速变化时难以获得全面的实时数据进行准确预测,导致模型的推理性能下降。如何在环境感知、智能算法优化方面进行改进,使协同推理算法能够适应网络状态和任务需求的动态变化,从而实现推理时延、成本等多目标的优化是当前面临的挑战。因此本文在基于软件定义网络(Software Defined Network,SDN)的云边协同推理架构下,使用模型划分与早期退出技术对模型的推理效率进行优化研究,具体研究内容如下: (1)为解决因网络计算压力大、成本高而导致推理效率低的问题,提出了一种基于模型划分的云边协同推理算法(Cloud-Edge Collaborative Inference Algorithm based on Model Partition,SDN-CEP),首先在边缘环境中构建任务复杂度预测器决策任务的执行环境,然后利用架构中的控制器实现网络状态全局信息的共享,最后将全局视图与DQN算法相结合,实现推理模型的有效分配。本文分别从推理时延、网络带宽、计算成本等方面评估算法的性能。实验结果表明,SDN-CEP提高了模型的推理效率,在动态的环境中具有较好的鲁棒性。 (2)为进一步加快深度神经网络模型的推理速度,提出了一种基于自适应早期退出的推理加速算法(Inference Acceleration Algorithm based on Adaptive Early Exit,AEE),通过缩减模型推理层次的方式来提升推理速度。首先使用Branchy Net框架训练模型的早期退出分支,然后利用Noisy DQN算法根据全局视图中的实时网络状态信息对模型分支进行自适应预测。最后,通过仿真实验证明AEE提高了深度神经网络的推理速度,具有良好的决策性能。图[25]表[3]参[87]

关键词：软件定义网络云边协同协同推理模型划分早期退出

来源：评论

学校读者我要写书评

暂无评论

基于联邦学习的家庭健康监测隐私保护技术研究

基于联邦学习的家庭健康监测隐私保护技术研究

引用

作者：周琳北京交通大学

学位级别：硕士

近年来,通信技术和医疗物联网的快速发展使得各类基于传感器的医疗保健和监测系统迅速普及。通过家庭健康监测系统,尤其是可穿戴医疗设备的应用,可以持续监测和分析用户的健康状况。云服务器可以提供高效的数据训练和分析,但这种集中式... 详细信息

近年来,通信技术和医疗物联网的快速发展使得各类基于传感器的医疗保健和监测系统迅速普及。通过家庭健康监测系统,尤其是可穿戴医疗设备的应用,可以持续监测和分析用户的健康状况。云服务器可以提供高效的数据训练和分析,但这种集中式的智能医疗解决方案存在巨大的隐私泄露风险。联邦学习使客户端能够联合训练机器学习模型,而无需共享本地数据,为解决数据隐私问题提供了新的方法。在家庭健康监测场景中,已有许多研究者使用联邦学习来对用户健康状态进行预测。然而,现有方案多未考虑联邦学习本身也存在中间过程的隐私泄露隐患,且对于客户端存储、计算与通信能力要求很高。与此同时,传统联邦学习方案还容易受到恶意客户端的中毒攻击且无法避免中心服务器的恶意行为与单点故障。针对以上问题,本文进行的主要工作如下: (1)提出了一个新的面向家庭健康监测场景的联邦学习框架。该框架结合联邦学习与边缘计算的优势,同时引入模型划分技术,将深度学习模型分层部署在客户端手机层与边缘计算节点上,适用于所有可穿戴医疗设备,实现各类资源的有效利用与计算效率的提升。 (2)提出了一个针对本地模型的隐私保护训练方法。该方法基于差分隐私技术,针对一维医疗数据采用范数定界方法处理特征,将噪声添加在处理后的特征上,增强差分隐私在神经网络中的可用性从而保证聚合模型精度,且在实现数据隐私的同时保证隐私保护的训练速度。 (3)设计了一个基于区块链的参数验证和安全聚合方案。基于余弦相似度设计验证算法来判断上传的恶意参数更新以及低质量更新,并结合深度学习模型结构特点进行参数选取,有效防御中毒攻击并实现低通信与存储开销。同时选择链外服务器执行计算,并把数据上传区块链系统。通过链上链下的协同执行,保证执行过程的高效率和审计监管以及模型的可溯源,实现安全的模型聚合。本文工作能够在实现安全性和效率的同时,抵抗中毒攻击和避免参与者的恶意行为。通过在真实医疗数据集上进行实验评估和对比分析,该方案具有可行性以及较优的模型性能,并实现了隐私性与精度的良好平衡,可用于实际的家庭健康监测场景以及其他基于物联网设备的应用场景。

关键词：家庭健康监测联邦学习隐私保护模型划分区块链中毒攻击

来源：评论

学校读者我要写书评

暂无评论

基于数据流图的流水线并行分布式深度学习优化

基于数据流图的流水线并行分布式深度学习优化

引用

作者：谭道军华中科技大学

学位级别：硕士

分布式深度学习训练中,传统的模型并行和数据并行由于并行粒度大,节点资源利用不充分,效率不高。近年兴起的流水线并行模式,克服了以上两种模式的缺点,提高了设备资源的利用率,降低了通信量。然而,在流水线并行的模式中,由于任务本身的... 详细信息

分布式深度学习训练中,传统的模型并行和数据并行由于并行粒度大,节点资源利用不充分,效率不高。近年兴起的流水线并行模式,克服了以上两种模式的缺点,提高了设备资源的利用率,降低了通信量。然而,在流水线并行的模式中,由于任务本身的复杂性,仍然存在节点任务划分不均衡、各节点并行不充分的问题。为了进一步提高流水线并行的效率,基于任务的数据流图分析,提出一种在流水段中加入卷积层修剪策略的流水线并行方法Pipe Prune。由于神经网络模型本身的序列性和复杂性,仅依靠划分算法无法将整个模型划分为均等的部分,耗时不同的模型块在流水线中会产生气泡和空隙,进而造成流水线效率低下。为解决上述问题,对每个流水段的数据流图进行分析,统计每个流水段的的执行时间、参数量大小、激活值等信息。有针对性地对耗时长的网络模型块进行部分修剪,可以有效地均衡各个流水段之间的执行时间,使得流水线更加紧凑。在网络模型中,卷积层占据了大部分的计算时间,对卷积层进行处理可以有效减少该流水段执行的时间。具体地,依据该流水段执行的时间,设定其中卷积层的修剪比例k,计算每一个卷积核的范数,修剪掉前k个数值最小的卷积核,进而减少该卷积层处理的时间。最后在训练过程中,维护多个训练批次数据的参数版本,对参数更新加以控制,保证神经网络模型的收敛性和最终精度。上述方法实现在典型分布式深度学习系统Py Torch上,使用典型的数据集Image Net-1K(ILSVRC 2012)进行测试评估。实验结果表明,Pipe Prune能够有效加速流水线并行深度学习训练,保证最终精度损失在可接受的范围内,与未加入修剪的流水线相比可提升训练速度30%以上。

关键词：分布式深度学习模型划分卷积层修剪流水线加速

来源：评论

学校读者我要写书评

暂无评论

面向卷积神经网络的分布式推理加速技术研究

面向卷积神经网络的分布式推理加速技术研究

引用

作者：沈肖圆湖南大学

学位级别：硕士

近年来,以卷积神经网络(Convolution Neural Network,CNN)为核心的应用程序在各个领域都得到了广泛应用。CNN涉及大量的矩阵乘法和自动微分等复杂数值计算,因此具有计算密集型的特点,然而,物联网终端设备的计算能力和资源均受到一定的限... 详细信息

近年来,以卷积神经网络(Convolution Neural Network,CNN)为核心的应用程序在各个领域都得到了广泛应用。CNN涉及大量的矩阵乘法和自动微分等复杂数值计算,因此具有计算密集型的特点,然而,物联网终端设备的计算能力和资源均受到一定的限制,如果直接在这些设备上运行CNN会给设备施加巨大的计算压力,难以满足用户的实时性需求。因此,如何平衡终端设备有限的计算资源和CNN巨大的资源需求是边缘智能领域的研究热点之一。目前,一种流行的解决方法是使用模型划分技术对CNN进行划分,在多个设备之间共同完成协同推理。然而,日益复杂的网络结构和动态的实际环境给协同推理带来了诸多挑战。为了解决目前面临的挑战,本文主要针对模型划分算法和协同推理框架进行了深入研究,详细的研究工作概述如下:为了在异构边缘环境下有效协调各个设备,以获得良好的端到端性能,本文提出了一种基于浮点操作数和中央处理器负载的层时延预测模型(FCPM)和一个支持细粒度划分的分布式协同推理框架(DCFP)。DCFP包括了离线训练、在线优化和协同推理三个阶段。在离线训练阶段,为每个设备训练一组FCPM;在在线优化阶段,根据FCPM预测的层时延以及网络带宽来执行模型划分算法,生成与设备的计算能力和网络条件相适应的划分决策;在协同推理阶段,根据划分决策协调各个异构设备来完成协同推理。为了提升CNN在资源有限设备上的推理速度,本文提出了一种按需细粒度划分方法(OFPM)。首先,我们结合了垂直划分和水平划分,提出了一种适用于同构环境的细粒度划分方法(FPM),该方法可以将CNN中的卷积层水平划分为多个卷积层分区,然后利用垂直划分来确定每一层的最优执行设备,以实现整体推理时延最小化。其次,考虑到设备的异构性以及网络的动态性,本文设计了一种适用于异构环境的按需划分策略(OPM),并将OPM与FPM结合形成了OFPM。OFPM可以根据设备能力和网络条件自动调整每个卷积层分区的输入特征图切片的高度,以尽可能的均匀分配各个设备上的计算量,进一步提升CNN的推理速度。最后,本文使用了常见的回归算法来验证FCPM的有效性,并且模拟了同构和异构两种环境,分别对FPM和OFPM进行了大量的实验评估。实验结果表明,FCPM最低能达到88%的准确率;与目前先进的划分方法对比,OFPM能够提升1～2.54倍的推理速度。

关键词：边缘计算深度神经网络边缘智能协同推理模型划分

来源：评论

学校读者我要写书评

暂无评论

边缘集群下深度神经网络划分与推理任务卸载策略研究

边缘集群下深度神经网络划分与推理任务卸载策略研究

引用

作者：梁赛湖南师范大学

学位级别：硕士

目前在人工智能领域,深度神经网络推动着自动驾驶、智慧城市等新型应用的发展。由于神经网络模型是计算密集型网络,难以部署在资源受限的边缘设备,在云计算中执行模型推理存在通信时延无法预测的问题。为了解决模型推理的资源需求与边... 详细信息

目前在人工智能领域,深度神经网络推动着自动驾驶、智慧城市等新型应用的发展。由于神经网络模型是计算密集型网络,难以部署在资源受限的边缘设备,在云计算中执行模型推理存在通信时延无法预测的问题。为了解决模型推理的资源需求与边缘设备资源受限之间的矛盾,可行的方法是利用边缘设备与服务器协作实现神经网络的分布式推理。动态环境下对模型合理划分,以及高效地将推理任务卸载到合适的计算节点上是保证神经网络模型分布式推理的关键。本文对边缘集群下深度神经网络分布式推理进行研究,基于Q学习和深度强化学习方法对模型划分和推理任务卸载提出相应解决方案,具体研究工作归纳如下: (1)对神经网络模型各网络层的计算资源需求和输出数据大小进行分析。根据模型结构特征,以时延为优化目标,在资源受限的边缘设备和边缘服务器间建立分布式神经网络协作推理框架,以此优化神经网络推理时延。针对网络传输速率、边缘设备资源和边缘服务器负载的变化对模型划分的影响,以及复杂神经网络模型中子网络模型划分问题,提出基于Q学习的模型划分算法。实验结果表明:提出的算法能有效降低模型推理时延,满足神经网络推理的低时延要求。 (2)在模型划分的基础上,考虑复杂边缘计算环境中多任务、多边缘设备和多边缘服务器下的任务卸载问题,提出基于深度强化学习的模型划分和推理任务卸载算法。通过定义状态、动作空间和奖励值,将任务卸载和模型划分组合优化问题转换为马尔可夫决策过程下最优策略问题。利用深度强化学习算法从经验中学习动态环境下边缘设备与边缘服务器间模型划分,以及边缘服务器间推理任务卸载的近似最优策略。实验结果表明:所提出的算法具有良好的收敛能力,在模型划分的基础上能进一步降低神经网络模型推理时延。

关键词：边缘计算深度神经网络 Q学习模型划分任务卸载

来源：评论

学校读者我要写书评

暂无评论

基于云边协同的图像目标检测方法研究

基于云边协同的图像目标检测方法研究

引用

作者：彭京伟电子科技大学

学位级别：硕士

随着互联网和物联网技术的快速发展,像数据的处理需求日益增长。在安全监控、智能交通系统等实时性要求较高的场景中,传统的像目标检测方法在处理大规模像数据时在边缘计算设备上面临计算资源的限制,将像传输至云服务器的计算的方法又... 详细信息

随着互联网和物联网技术的快速发展,像数据的处理需求日益增长。在安全监控、智能交通系统等实时性要求较高的场景中,传统的像目标检测方法在处理大规模像数据时在边缘计算设备上面临计算资源的限制,将像传输至云服务器的计算的方法又面临无法满足实时性的要求。为了克服这一挑战,论文提出了一种基于云边协同的像目标检测方法,通过轻量化深度学习模型和云边协同计算策略,实现高效且精确的像目标检测,以满足实时性和精准度的双重需求。论文首先对当前像目标检测技术进行了全面分析,尤其关注模型轻量化和云边协同计算的最新进展。针对经典的目标检测模型YOLOv3,本文通过研究并应用深度可分离卷积、稀疏化训练和剪枝等轻量化技术,有效降低了模型的复杂度和计算量,从而使其更适合在资源有限的边缘计算设备上运行,提升其推理的速度。此外,结合云计算的强大处理能力和边缘计算的靠近数据端低延迟优势,本文设计了一种云边协同推理计算方法,其将YOLOv3模型进行划分,通过记录每个分块分别在云端和边缘端推理的相关信息,经拟合形成推理时延和数据量的预测模型。为了适应不同网络环境,本文采用粒子群优化算法,动态确定云端和边缘端之间最优的计算任务分配策略。通过对于网络情况进行检测,粒子群优化算法能够智能选择模型的划分点,调整计算任务的分配,从而最小化模型推理的总时延。这种动态卸载策略,使本文提出的云边协同像目标检测方法,在不同的网络环境下,都能保持高效和稳定的性能。通过在典型的目标检测应用场景中进行实验验证,论文证明了所提方法相比传统仅边缘端或仅上传云端的像目标检测方法,在保证检测精度的同时,能够显著提高处理速度和资源利用率,在不同网络环境下推理时间延迟能够有平均31.74%的降低。实验结果表明,论文提出的云边协同像目标检测方法不仅能满足实时性和高精度的要求,还展现了对于云边设备推理的充分利用,应对时延敏感的场景。

关键词：云边协同像目标检测模型轻量化粒子群算法模型划分

来源：评论

学校读者我要写书评

暂无评论

低轨卫星网络场景中深度神经网络云边协同推理算法研究

低轨卫星网络场景中深度神经网络云边协同推理算法研究

引用

作者：马万艺电子科技大学

学位级别：硕士

深度神经网络已经广泛应用于低轨卫星网络场景中,并在遥感监测和灾害预警等领域取得了显著成果。结合低轨卫星网络和深度神经网络技术,可以有效地将深度学习强大的学习与分析能力拓展到地面网络难以覆盖的区域。然而,处理计算密集型的... 详细信息

深度神经网络已经广泛应用于低轨卫星网络场景中,并在遥感监测和灾害预警等领域取得了显著成果。结合低轨卫星网络和深度神经网络技术,可以有效地将深度学习强大的学习与分析能力拓展到地面网络难以覆盖的区域。然而,处理计算密集型的深度神经网络推理任务需要消耗大量的计算和能量资源,而低轨卫星网络中的资源是有限的,难以满足任务高效推理的需求。因此,研究如何在低轨卫星网络场景中高效地执行深度神经网络推理任务,满足响应时延和能量消耗要求具有重要意义。本文利用深度强化学习方法,深入研究了低轨卫星网络场景中的深度神经网络推理优化问题,通过对深度神经网络推理任务进行划分,并采用云边协同方式执行推理,以实现响应时延和能量消耗的联合优化。首先,本文提出了一种低轨卫星网络云边协同推理架构,并据此设计了任务模型、通信模型、时延模型和能耗模型。其中,任务模型考虑了链式和有向无环图(Directed Acyclic Graph,DAG)式深度神经网络推理任务;通信模型考虑了自由空间损耗和多径效应等影响因素;时延模型主要包括计算时延模型和通信时延模型;能耗模型包括计算能耗模型和传输能耗模型。接着,本文对深度神经网络推理优化问题进行分析与建模,并将该问题转化为马尔可夫决策过程。最后,本文以最小化响应时延和能量消耗为目标,在基于价值的深度强化学习算法的基础上,提出了适用于链式深度神经网络推理任务的云边协同推理算法(CD-CECI);针对具有更高复杂度和更大动作空间的DAG式深度神经网络推理任务,在演员-评论家架构基础上提出了云边协同推理算法(DDCECI),以实现深度神经网络推理任务的最优划分与卸载。为了评估CD-CECI和DD-CECI算法的性能,本文设计并实现了一套仿真测试系统。在不同的网络带宽和卫星计算能力情况下,对比分析云边协同推理算法与多种基准推理方法产生的时延和能耗。仿真结果表明,在低轨卫星网络场景中使用CD-CECI和DD-CECI算法对深度神经网络推理任务进行划分,并以云边协同方式完成推理,可以有效地降低任务的响应时延和能量消耗。因此,本研究对时延敏感和高能效应用的性能优化具有理论与实践意义。

关键词：低轨卫星网络深度神经网络云边协同推理模型划分深度强化学习

来源：评论

学校读者我要写书评

暂无评论

自组织云环境下的机器人深度学习推理技术研究

自组织云环境下的机器人深度学习推理技术研究

引用

作者：怀智博国防科技大学

学位级别：硕士

近年来,越来越多的机器人问题开始探索基于深度学习的解决途径。然而,深度神经网络能力的提升往往伴随着模型规模和复杂度的增加,需要在运行时消耗大量资源。而作为一类特殊的计算设备,机器人由于物理设计约束,其上资源往往是受限的。... 详细信息

近年来,越来越多的机器人问题开始探索基于深度学习的解决途径。然而,深度神经网络能力的提升往往伴随着模型规模和复杂度的增加,需要在运行时消耗大量资源。而作为一类特殊的计算设备,机器人由于物理设计约束,其上资源往往是受限的。二者之间的矛盾已经成为制约机器人自主性和智能化水平提升的瓶颈问题。在分布式领域,这一问题的一种可行解决方案是采用自组织云(Ad Hoc Cloud),即由多个机器人以自组织和对等的方式、利用云计算技术动态形成虚拟组织,共享需要的计算资源,共同完成计算密集型的任务。自组织云的架构、机理和实现方法在移动计算等领域已经有了初步研究。然而,现有工作主要局限于对普通移动应用的支撑,而非对机器人“智能”的支持。这导致了两个方面的问题:(1)缺乏针对深度学习推理任务的计算卸载方法和调度机制。深度学习模型具有显著的计算和数据密集型特点,在计算上具有显著的分层递进特征,此类模型如何在自组织云中合理组织调度,充分发挥计算节点性能,目前尚缺乏相关研究。(2)缺乏深度学习任务推理的时效性保持技术研究。传统自组织云实现并不关注时效性,而时效性是机器人任务的关键考虑因素(例如机器人自主避障和无人驾驶飞行器跟踪)。针对上述两个方面挑战,本课题开展了如下三个方面的工作:(1)构造机器人深度学习推理算法行为特征与资源需求模型。对典型深度学习推理算法行为特征与资源需求的分析,是在自组织云中合理调度深度学习计算任务的前提。本课题使用典型的机器人平台开展实证研究,收集并分析深度学习模型推理时的性能特征、资源消耗数据,获得了典型深度学习模型中各层的计算时空复杂度、资源需求和执行瓶颈的知识。(2)提出基于模型划分的自组织云深度学习推理计算卸载方法。为解决数据中心不可用时深度学习推理资源需求与机器人资源受限的矛盾,本课题基于模型划分对深度学习模型推理的计算密集型部分执行卸载,降低执行门槛实现本地机器人协作的分布式深度学习模型推理。(3)提出面向时效性的同构自组织云深度学习推理适应方法。针对具有时效性的深度学习任务,以由同构节点所组成的自组织云执行环境为背景,本课题提出了模型并行和数据并行对深度学习推理进行优化的机制,实现具有时效性的同构机器人协作深度学习模型推理支持。

关键词：深度学习机器人自组织云分布式系统模型划分模型并行

来源：评论

学校读者我要写书评

暂无评论

云制造环境下基于工作流的服务组合性能优化研究

云制造环境下基于工作流的服务组合性能优化研究

引用

作者：陈智敏华侨大学

学位级别：硕士

从生产导向的传统制造过渡到服务导向的新制造模式是现代制造行业信息化发展的必然趋势，尤其是资源紧缺的中小型制造企业。云制造服务平台充分结合现有的制造新模式和相关技术手段，实现社会制造资源的快速共享与整合，成为提升我国制... 详细信息

从生产导向的传统制造过渡到服务导向的新制造模式是现代制造行业信息化发展的必然趋势，尤其是资源紧缺的中小型制造企业。云制造服务平台充分结合现有的制造新模式和相关技术手段，实现社会制造资源的快速共享与整合，成为提升我国制造企业综合竞争力的有效途径。服务组合作为解决分布式环境下资源聚合与应用集成的关键技术，已成为云制造服务平台中运行服务模式研究的重点内容。本文针对云制造环境下基于工作流的服务组合过程，分别从建模和运行层次着手研究服务组合的性能优化方法。通过结合云制造业务的开展方式，持续提高服务工作流的整体性能，有效地支持云制造服务平台的服务模式运作。本文主要开展如下研究：（1）分析云制造环境下的服务特征以及服务组合的相关问题，并建立服务工作流的理论研究基础，构建基于工作流的云制造服务组合框架，为云制造服务平台研发与实施提供可行的架构原型和实施方案。（2）为提高按需定制云制造服务的整体效率，结合动态的云制造业务组织方式，研究基于模型划分的服务组合性能优化方法。通过分析服务组合模型中服务节点之间的依赖关系，论述模型的局部性特征，并给出稳定模型片段的划分方法；进而依据对模型变化的影响分析，提出基于模型片段的影响范围检测方法，最后以实例进行分析与验证。（3）为提高服务时序组合在工作流运行时的有效性，研究基于资源约束的服务组合性能优化方法。针对云制造资源整合与服务使用过程中存在的制约因素，分析资源约束对云制造服务组合运行时的影响，从而揭示资源约束的相关特征，并给出有效执行路径的判定依据；基于资源约束依赖关系的分析，提出服务工作流运行时的有效性判别方法，最后通过实例进行分析与验证。本文提出服务组合性能优化的主要问题、解决方法及算法，是构建高效云制造服务平台的基础和关键，对于云制造服务平台的开发、实施和应用起到重要作用。

关键词：云制造服务组合服务工作流模型划分资源约束

来源：评论

学校读者我要写书评

暂无评论

基于边缘计算的分布式神经网络推理技术的研究与实现

基于边缘计算的分布式神经网络推理技术的研究与实现

引用

作者：陈瑞午电子科技大学

学位级别：硕士

在万物互联的时代,移动设备的快速增长和人工智能技术的飞速发展引发了对智能应用的大量需求。深度神经网络(Deep Neural Network,DNN)以其出色的处理能力在这些设备中被广泛应用。然而,随着DNN模型结构变得更复杂和对计算资源的需求不... 详细信息

在万物互联的时代,移动设备的快速增长和人工智能技术的飞速发展引发了对智能应用的大量需求。深度神经网络(Deep Neural Network,DNN)以其出色的处理能力在这些设备中被广泛应用。然而,随着DNN模型结构变得更复杂和对计算资源的需求不断增加,如何有效地在边缘计算环境中进行DNN模型推理变成了一个紧迫的问题。仅依赖边缘端或服务端推理有其明显的限制:边缘端推理由于设备计算能力有限导致延迟增加,而服务端推理受到网络波动影响,造成数据传输延迟。为应对这一挑战,本文深入研究了模型划分和资源调度这两个关键方面,旨在提升边缘计算环境下分布式DNN推理任务的性能。本文首先通过实验数据揭示了模型分割点对推理总延迟的关键影响,并据此提出了一种针对链式DNN结构的基于机器学习的单层推理延迟预测模型,为模型划分策略奠定了基础。考虑到有向无环图(Directed Acyclic Graph,DAG)式DNN的复杂性,本文采用了一种创新方法,将这些网络视为带有推理延迟考量的DAG,把模型划分问题转化为可以通过图论解决的最小割问题。此外,本文还探索了通信资源如信道选择和功率分配对数据传输率及分布式推理任务性能的影响,并提出了一种基于异步优势演员-评论家(Asynchronous Advantage Actor-Critic,A3C)算法的创新资源调度策略,以智能化方式管理和分配边缘计算环境中的关键资源,从而优化系统性能。与其他强化学习算法进行的对比实验显示了本文策略的有效性和优越性,证明了其在不同情境下能够实现更高的资源利用率和改善推理任务性能。进一步地,本文开发了一个高效的分布式推理系统,该系统采用了上述提出的模型划分和资源调度策略,以优化分布式推理任务的执行效率。在此基础上,融合了服务管理、性能监控、高可用保障及数据存储管理等关键功能,可以有效地保障系统的稳定性和可用性。通过对分布式推理系统进行一系列的综合性的功能与性能测试,我们验证了该系统的可用性和鲁棒性。测试结果表明,系统能够满足其设计需求,可以实现在边缘计算环境下高效可靠的分布式推理。

关键词：边缘计算分布式推理深度神经网络模型划分资源调度

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共7页 << < 1 2 3 4 5 6 7 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：