型训练
-
移动端深度学习模型“瘦身”秘籍：告别卡顿与耗电
在智能手机和各类嵌入式设备日益普及的今天，将深度学习模型部署到这些资源受限的终端设备上，实现模型在本地高效运行，是许多开发者面临的共同挑战。你提到的模型体积过大导致安装包膨胀、推理延迟高影响用户体验、以及高功耗快速耗尽电池等问题，正是移动...
-
边缘计算AI模型压缩：如何在资源受限设备上流畅运行？
边缘计算中，如何有效压缩深度学习模型并在工控机上流畅运行？ 问题： 边缘计算设备通常计算资源有限，存储空间也相对紧张。如何将一个复杂的深度学习模型有效地压缩，使其既能在资源受限的嵌入式工控机上流畅运行，又能保证检测性能不下降？ ...
-
联邦学习在边缘设备上：模型压缩与加速的实用指南
在联邦学习（Federated Learning, FL）的场景下，如何有效地在资源受限的边缘设备上实现模型压缩和加速，同时确保模型的性能和可解释性，是一个兼具理论与实践挑战的关键问题。边缘设备通常面临计算能力、存储空间和电池寿命的限制，...
-
边缘AI模型瘦身术：PTQ与QAT量化技术在不同硬件平台上的实战对比
在边缘计算日益普及的今天，将复杂的深度学习模型部署到资源受限的设备上，成为许多开发者面临的挑战。模型量化作为一种有效的模型优化技术，通过降低模型参数的精度，显著减少模型大小、降低内存占用并加速推理过程，是解决这一难题的关键。本文将深入探讨...
-
联邦学习：跨企业数据分析的安全解决方案
跨企业数据分析的安全港：联邦学习技术方案探讨 在跨行业研究项目中，整合来自不同企业的数据是一项挑战。这些数据往往包含商业机密和个人隐私，各企业又有严格的合规要求。如何安全、中立地进行联合分析和建模，成为项目成功的关键。 联邦学习 (F...
-
联邦学习图像识别模型的可解释性方法探索
问题： 我们使用联邦学习训练了一个图像识别模型，如何解释模型的决策过程？是否存在一些可解释性方法可以帮助我们理解模型是如何利用来自不同参与方的数据进行预测的？ 回答： 联邦学习（Federated Learning, FL...
-
ESP32除了人脸识别，还能在物体/场景识别中大显身手吗？
当然可以！ESP32 在图像识别领域的应用远不止人脸识别那么简单，它在物体识别和场景识别方面也有很大的潜力。不过，就像任何低功耗嵌入式设备一样，它有其固有的局限性，需要我们巧妙地平衡算力、内存和算法效率。 如果你想用 ESP32 实现...
