EdgeML

مكتبة التعلم الآلي الحافة

يوفر هذا المستودع رمزًا لخوارزميات التعلم الآلي لأجهزة Edge التي تم تطويرها في Microsoft Research India.

تحتاج نماذج التعلم الآلي لأجهزة Edge إلى وجود بصمة صغيرة من حيث التخزين ، وكمون التنبؤ ، والطاقة. إحدى الأمثلة على المكان الذي تكون فيه مثل هذه النماذج مرغوبة هو أجهزة وأجهزة استشعار مورد الموارد في إعداد إنترنت الأشياء (IoT). يتطلب إجراء تنبؤات في الوقت الفعلي محليًا على أجهزة إنترنت الأشياء دون الاتصال بالسحابة نماذج تتناسب مع بضعة كيلوغرامات.

محتويات

الخوارزميات التي تتألق في هذا الإعداد من حيث حجم النموذج وحسابها ، وهي:

• بونساي : مصنف قوي وضحل غير خطي.
• Protonn : Proto Type القائم على K-Nearest Neighbors (K NN ) المصنف.
• EMI-RNN : روتين التدريب لاستعادة التوقيع الحرج من بيانات السلاسل الزمنية لتنبؤات RNN أسرع ودقيقة.
• RNN الضحلة : بنية تلوي لتدريب RNNs التي يمكن تطبيقها على دفق البيانات.
• fastrnn & fastgrnn - fastcells : f ast ، a ccurate ، s table و t iny ( g ated) rnn.
• DROCC : D eep r obust o ne- c lass c lassfiication للتدريب على أجهزة الكشف عن الشذوذ القوية.
• RNNPOOL : مشغل تجميع غير خطي فعال لاستنتاج ذاكرة الوصول العشوائي.

يمكن لهذه الخوارزميات تدريب نماذج لمشاكل التعلم الكلاسيكية الخاضعة للإشراف مع متطلبات الذاكرة التي تكون أقل من الحجم أقل من خوارزميات ML الحديثة الأخرى. يمكن تحميل النماذج المدربة على أجهزة الحافة مثل أجهزة/مستشعرات إنترنت الأشياء ، وتستخدم لجعل تنبؤات سريعة ودقيقة في وضع عدم الاتصال تمامًا.

أداة تتكيف النماذج المدربة بواسطة الخوارزميات المذكورة أعلاه لاستنتاجها بواسطة حساب النقطة الثابتة.

• Seedot : نقطة عائمة إلى أداة تقدير الكمية الثابتة.

التطبيقات التي توضح usecases لهذه الخوارزميات:

• GesturePod : خط أنابيب التعرف على الإيماءات لتكوين متحكم.
• MSC-RNN : RNN المتتالي متعدد النطاق لتحليل بيانات الرادار.

منظمة

• يحتوي دليل tf على حزمة edgeml_tf التي تحدد هذه الهياكل في TensorFlow ، ويحتوي examples/tf على إجراءات تدريب العينات لهذه الخوارزميات.
• يحتوي دليل pytorch على حزمة edgeml_pytorch التي تحدد هذه الهياكل في Pytorch ، examples/pytorch تحتوي على نماذج تدريبات لتلك الخوارزميات.
• يحتوي دليل cpp على رمز التدريب والاستدلال لخوارزميات Bonsai و ProtoNN في C ++.
• يحتوي دليل applications على رمز/مظاهرات لتطبيقات خوارزميات EDGEML.
• يحتوي دليل tools/SeeDot على أداة القياس لإنشاء رمز استنتاج نقطة ثابتة.
• يحتوي دليل c_reference على رمز الاستدلال (نقطة عائمة أو كمية) لخوارزميات مختلفة في C.

يرجى الاطلاع على تعليمات تثبيت/تشغيل في صفحات ReadMe داخل هذه الدلائل.

التفاصيل وصفحات المشروع

للحصول على التفاصيل ، يرجى الاطلاع على صفحة المشروع الخاصة بنا ، صفحة بحث Microsoft ، منشورات ICML '17 على خوارزميات Bonsai و Protonn ، منشورات Neups '18 على emi-rnn و fastgrnn ، منشور pldi '19 على مُشدات البذور ، uist '19 على gestrepod ، the buildsys 19 on msc-the msc. RNNS ، منشور ICML '20 على DROCC ، ونشر Neups '20 على rnnpool.

قم أيضًا بالخروج عن مشروع ELL الذي يمكن أن يوفر ثنائيات محسنة لبعض طرز ONNX التي تدربها هذه المكتبة.

المساهمين:

رمز الخوارزميات والتطبيقات والأدوات التي ساهمت بها:

• دون دينيس
• ياش غوكر
• Sridhar Gopinath
• ساشين جويال
• Chirag Gupta
• موكش جاين
• شيخار جايسوال
• آشيش كومار
• aditya kusupati
• كريس لوفيت
• شيشر باتيل
• Oindrila ساها
• هارشا فاردهان سيمهادري

المساهمين في هذا المشروع. يرحب المساهمون الجدد.

يرجى مراسلتنا عبر البريد الإلكتروني تعليقاتك وانتقاداتك وأسئلتك.

إذا كنت تستخدم برنامجًا من هذه المكتبة في عملك ، فيرجى استخدام إدخال Bibtex أدناه للاستشهاد.

 @misc{edgeml04,
   author = {{Dennis, Don Kurian and Gaurkar, Yash and Gopinath, Sridhar and Goyal, Sachin 
              and Gupta, Chirag and Jain, Moksh and Jaiswal, Shikhar and Kumar, Ashish and
              Kusupati, Aditya and  Lovett, Chris and Patil, Shishir G and Saha, Oindrila and
              Simhadri, Harsha Vardhan}},
   title = {{EdgeML: Machine Learning for resource-constrained edge devices}},
   url = {https://github.com/Microsoft/EdgeML},
   version = {0.4},
}

Microsoft Open Source Code of Condition قد اعتمد هذا المشروع

Microsoft Open Source Code of Code. لمزيد من المعلومات ، راجع مدونة الشهادة الأسئلة الشائعة أو الاتصال بـ [email protected] مع أي أسئلة أو تعليقات إضافية.