EdgeML

Perpustakaan Pembelajaran Mesin Edge

Repositori ini menyediakan kode untuk algoritma pembelajaran mesin untuk perangkat tepi yang dikembangkan di Microsoft Research India.

Model pembelajaran mesin untuk perangkat tepi perlu memiliki jejak kecil dalam hal penyimpanan, latensi prediksi, dan energi. Salah satu contoh di mana model semacam itu diinginkan adalah perangkat dan sensor yang luar biasa sumber daya dalam pengaturan Internet of Things (IoT). Membuat prediksi real-time secara lokal pada perangkat IoT tanpa menghubungkan ke cloud membutuhkan model yang sesuai dengan beberapa kilobyte.

Isi

Algoritma yang bersinar dalam pengaturan ini dalam hal ukuran model dan komputasi, yaitu:

• Bonsai : Klasifikasi berbasis pohon non-linear yang kuat dan dangkal.
• ProTonn : Klasifikasi Klasifikasi K -Nearest Berbasis K-Nearest (K NN ).
• EMI-RNN : Pelatihan rutin untuk memulihkan tanda tangan kritis dari data deret waktu untuk prediksi RNN yang lebih cepat dan akurat.
• Dangkal RNN : Meta-arsitektur untuk pelatihan RNN yang dapat diterapkan pada data streaming.
• Fastrnn & FastGrnn - Fastcells : f ast, a ccurate, sabel s dan sel -sel RNN ( g ated).
• DROCC : D eep r obust o ne- c lass c lassfiication for training detektor anomali yang kuat.
• RNNPOOL : Operator pengumpulan non-linear yang efisien untuk inferensi terbatas RAM.

Algoritma ini dapat melatih model untuk masalah belajar yang diawasi klasik dengan persyaratan memori yang lebih rendah dari algoritma ML modern lainnya. Model yang dilatih dapat dimuat ke perangkat tepi seperti perangkat/sensor IoT, dan digunakan untuk membuat prediksi yang cepat dan akurat sepenuhnya offline.

Alat yang mengadaptasi model yang dilatih oleh algoritma di atas untuk disimpulkan oleh aritmatika titik tetap.

• Seedot : Titik-floating ke alat kuantisasi titik tetap.

Aplikasi yang mendemonstrasikan Usecases dari algoritma ini:

• Gesturepod : Pipa pengenalan gesture untuk mikrokontroler.
• MSC-RNN : RNN bertingkat multi-skala untuk menganalisis data radar.

Organisasi

• Direktori tf berisi paket edgeml_tf yang menentukan arsitektur ini di TensorFlow, dan examples/tf berisi rutin pelatihan sampel untuk algoritma ini.
• Direktori pytorch berisi paket edgeml_pytorch yang menentukan arsitektur ini dalam pytorch, dan examples/pytorch berisi rutin pelatihan sampel untuk algoritma ini.
• Direktori cpp memiliki kode pelatihan dan inferensi untuk algoritma Bonsai dan ProtoNN di C ++.
• Direktori applications memiliki kode/demonstrasi aplikasi algoritma edgeml.
• Direktori tools/SeeDot memiliki alat kuantisasi untuk menghasilkan kode inferensi titik tetap.
• Direktori c_reference berisi kode inferensi (titik mengambang atau dikuantisasi) untuk berbagai algoritma dalam C.

Silakan lihat instruksi instal/jalankan di halaman readme di dalam direktori ini.

Detail dan halaman proyek

Untuk detailnya, silakan lihat halaman proyek kami, halaman penelitian Microsoft, publikasi ICML '17 tentang algoritma Bonsai dan Protonn, publikasi Neurips '18 tentang EMI-RNN dan FastGrnn, publikasi PLDI '19 Publikasi '19 Publikasi '19 Publikasi '19 THE Building '19 Publikasi '19 THE Building '19 Publikasi '19 THE NEKOC-ROWNICN, The GESCUREPOD, The Buildss '19 On Build.19 On Builds '19 On Builds '19 RNNS, publikasi ICML '20 di DROCC, dan publikasi Neurips '20 di RNNPool.

Juga checkout proyek ELL yang dapat menyediakan binari yang dioptimalkan untuk beberapa model ONNX yang dilatih oleh perpustakaan ini.

Kontributor:

Kode untuk algoritma, aplikasi, dan alat yang disumbangkan oleh:

• Don Dennis
• Yash Gaurkar
• Sridhar Gopinath
• Sachin Goyal
• Chirag Gupta
• Moksh Jain
• Shikhar Jaiswal
• Ashish Kumar
• Aditya Kusupati
• Chris Lovett
• Shishir Patil
• Oindrila Saha
• Harsha Vardhan Simhadri

Kontributor untuk proyek ini. Kontributor baru disambut.

Silakan kirim email kepada kami komentar, kritik, dan pertanyaan Anda.

Jika Anda menggunakan perangkat lunak dari perpustakaan ini dalam pekerjaan Anda, silakan gunakan entri Bibtex di bawah ini untuk kutipan.

 @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 Conduct Proyek ini telah mengadopsi

Microsoft Open Source Code of Conduct. Untuk informasi lebih lanjut, lihat FAQ Kode Perilaku atau hubungi [email protected] dengan pertanyaan atau komentar tambahan.