EdgeML 다운로드 EdgeML 소스 코드 다운로드

EdgeML

C/C++

1.0.0

다운로드

에지 머신 러닝 라이브러리

이 저장소는 Microsoft Research India에서 개발 된 Edge 장치에 대한 기계 학습 알고리즘에 대한 코드를 제공합니다.

에지 장치의 기계 학습 모델은 저장, 예측 대기 시간 및 에너지 측면에서 작은 발자국을 가져야합니다. 이러한 모델이 바람직한 곳의 한 가지 예는 사물 인터넷 (IoT) 설정의 리소스-스캔 장치 및 센서입니다. 클라우드에 연결하지 않고 IoT 장치에서 실시간 예측을하면 몇 킬로바이트에 맞는 모델이 필요합니다.

내용물

모델 크기와 컴퓨팅 측면 에서이 설정에서 빛나는 알고리즘, 즉 :

분재 : 강하고 얕은 비선형 트리 기반 분류기.
양성자 : 프로토 타입 기반 K-NAREST 이웃 (K NN ) 분류기.
EMI-RNN : 더 빠르고 정확한 RNN 예측을 위해 시계열 데이터에서 중요한 시그니처를 복구하기위한 교육 루틴.
얕은 RNN : 스트리밍 데이터에 적용 할 수있는 RNN을 훈련하기위한 메타 아카데입.
Fastrnn & Fastgrnn- FastCells : F AST, CCUTE , S 테이블 및 T iny ( G ATED) RNN 세포.
DROCC : 강력한 이상 탐지기를 훈련하기위한 Deep r on - n- n ass c lassfiation.
RNNPOOL : RAM 제약을위한 효율적인 비선형 풀링 연산자.

이 알고리즘은 다른 현대 ML 알고리즘보다 훨씬 낮은 메모리 요구 사항으로 고전적인 감독 학습 문제에 대한 모델을 훈련시킬 수 있습니다. 훈련 된 모델은 IoT 장치/센서와 같은 에지 장치에로드 할 수 있으며 빠르고 정확한 예측을 완전히 오프라인으로 만들 수 있습니다.

고정 지점 산술에 의해 추론 된 상기 알고리즘에 의해 훈련 된 모델을 조정하는 도구.

SEEDOT : 플로팅 포인트 대 고정점 양자화 도구.

이러한 알고리즘의 usecases를 보여주는 응용 프로그램 :

gesturepod : 마이크로 컨트롤러를위한 제스처 인식 파이프 라인.
MSC-RNN : 레이더 데이터 분석을위한 다중 규모 계단식 RNN.

조직

tf 디렉토리에는 텐서 플로우에 이러한 아키텍처를 지정하는 edgeml_tf 패키지가 포함되어 있으며 examples/tf 에는 이러한 알고리즘에 대한 샘플 교육 루틴이 포함되어 있습니다.
pytorch 디렉토리에는 Pytorch에 이러한 아키텍처를 지정하는 edgeml_pytorch 패키지가 포함되어 있으며 examples/pytorch 에는 이러한 알고리즘에 대한 샘플 교육 루틴이 포함되어 있습니다.
cpp 디렉토리에는 C ++의 Bonsai 및 ProtoNN 알고리즘에 대한 교육 및 추론 코드가 있습니다.
applications 디렉토리에는 Edgeml 알고리즘의 응용 프로그램 코드/데모가 있습니다.
tools/SeeDot 디렉토리에는 고정 포인트 추론 코드를 생성하는 양자화 도구가 있습니다.
c_reference 디렉토리에는 C의 다양한 알고리즘에 대한 추론 코드 (부동 소수점 또는 양자화)가 포함되어 있습니다.

이 디렉토리 내의 readme 페이지의 설치/실행 지침을 참조하십시오.

세부 사항 및 프로젝트 페이지

자세한 내용은 Bonsai 및 Protonn 알고리즘에 대한 ICML '17 간행물, EMI-RNN 및 FastGRNN에 대한 ICML '17 간행물, EMI-RNN 및 FastGRNN, Seedot Compiler에 대한 PLDI '19 간행물, GesturePod, The Buildsys '19 Publication of MSC RNN, The Comp '19 출판물에 대한 PLDI '19 간행물에 관한 ICML '17 간행물, The Neurips '18 간행물, MSC '19 Public on MSC RNN, The Comp '19 Proplurecations, The Seedot Compiler에 대한 PLDI '19 간행물, The Pldi '19 간행물, The Pldi '19 간행물, The Neurips '18 간행물을 참조하십시오. RNNS, DROCC에 대한 ICML '20 간행물 및 RNNPOOL에 대한 Neurips '20 출판물.

또한이 라이브러리에서 훈련 한 일부 ONNX 모델에 최적화 된 바이너리를 제공 할 수있는 ELL 프로젝트를 확인하십시오.

기고자 :

알고리즘, 응용 프로그램 및 도구에 대한 코드 :

돈 데니스
Yash Gaurkar
Sridhar Gopinath
Sachin Goyal
Chirag Gupta
Moksh Jain
Shikhar Jaiswal
애쉬 쿠마르
Aditya Kusupati
Chris Lovett
시시르 파틸
Oindrila Saha
하샤 바드 한 시하드리

이 프로젝트에 기고자. 새로운 기고가 환영합니다.

의견, 비판 및 질문에 이메일을 보내주십시오.

작업 에서이 라이브러리의 소프트웨어를 사용하는 경우 아래의 Bibtex 항목을 사용하여 인용하십시오.

 @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},
}