افزایش سرعت تشخیص سلول با استفاده از شبکه های عصبی کوانتیزه شده

با توجه به پیشرفت های اخیر در فناوری های دیجیتال و افزایش کارایی سامانه های محاسباتی و همچنین وجود داده های معتبر، زمینه ای از یادگیری ماشین به نام یادگیری عمیق پدید آمده است. با توسعه سیستم ها و کاربردهای بینایی ماشین در عصر امروز و همچنین عملکرد فوق العاده شبکه کانولوشن در زمینه تصاویر توجه بسیاری از محققان را به سمت خود جلب کرده است اما به دلیل اینکه این شبکه ها از نظر محاسباتی و همچنین فضای مصرفی حافظه بسیار سنگین هستند راه های سخت افزاری و نرم افزاری بسیاری برای شتابدهی در این زمینه ارائه شده است تا به صورت مقرون به صرفه و قابل اعتماد بر روی دستگاه هایی با منابع محدود مانند سیستم های نهفته و موبایل ها قابل استفاده باشند. ما در این مقاله قصد داریم روش های نرم افزاری را مورد بررسی و توسعه قرار دهیم. این روش ها شامل تکنیک هایی هستند که از آن ها به عنوان روش های فشرده سازی یاد می شود البته تمرکز این تحقیق بروی روش های کوانتیزه کردن به صورت نامتقارن ملاحظه کارانه در زمان آموزش است. در این روش با ترکیب فاکتور مقیاس توان دویی با پارامتر قابل آموزش clamp فاصله ها، از مزایای این دو بهره مند شویم که تاثیر بسزایی در سرعت و کارایی سخت افزار می گذارد و سرعت استنتاج به بیش از ۲ برابر حالت اعشاری می رساند. جنبه ی دیگری که در این پژوهش مورد توجه گرفته است، تسریع شبکه های عمیق عصبی بروی سیستم های نهفته برای تشخیص اشیا در تصاویر میکروسکوپی است. در آخر ارزیابی ها نشان داده است که روش ما قابل پیاده سازی بر روی حداقل سخت افزار است.

Keywords:

یادگیری عمیق , بینایی ماشین , شتابدهی شبکه های عصبی , کوانتیزه سازی شبکه ی عصبی , فشرده سازی شبکه عصبی , تشخیص اشیا بی درنگ , سیستم های نهفته.