ดาวน์โหลด EdgeML - ดาวน์โหลดซอร์สโค้ด EdgeML

EdgeML

ซี/ซี++

1.0.0

ดาวน์โหลด

ห้องสมุดการเรียนรู้ของ Edge Machine

ที่เก็บนี้ให้รหัสสำหรับอัลกอริทึมการเรียนรู้ของเครื่องสำหรับอุปกรณ์ขอบที่พัฒนาขึ้นที่ Microsoft Research India

รูปแบบการเรียนรู้ของเครื่องสำหรับอุปกรณ์ขอบจำเป็นต้องมีรอยเท้าเล็ก ๆ ในแง่ของการจัดเก็บเวลาแฝงการทำนายและพลังงาน ตัวอย่างหนึ่งของที่โมเดลดังกล่าวเป็นที่ต้องการคืออุปกรณ์สโคปและเซ็นเซอร์ในการตั้งค่า Internet of Things (IoT) การทำนายแบบเรียลไทม์ในเครื่องบนอุปกรณ์ IoT โดยไม่ต้องเชื่อมต่อกับคลาวด์ต้องใช้โมเดลที่พอดีกับไม่กี่กิโลบิวต์

สารบัญ

อัลกอริทึมที่ส่องแสงในการตั้งค่านี้ในแง่ของขนาดรุ่นและการคำนวณคือ:

บอนไซ : ตัวจําแนกต้นไม้ที่ไม่เป็นเชิงเส้นที่แข็งแกร่งและตื้น
Protonn : ตัวแยกประเภท K-Nearest ประเภท โปรโต (K NN )
EMI-RNN : กิจวัตรการฝึกอบรมเพื่อกู้คืนลายเซ็นที่สำคัญจากข้อมูลอนุกรมเวลาสำหรับการทำนาย RNN ที่เร็วขึ้นและแม่นยำ
ตื้น RNN : สถาปัตยกรรมเมตาสำหรับการฝึกอบรม RNNs ที่สามารถนำไปใช้กับข้อมูลสตรีมมิ่ง
Fastrnn & Fastgrnn - Fastcells : f ast, ccurate , ตาราง s และ t iny ( g ated) เซลล์ RNN
DROCC : D eep r obust o ne- c lass c lassfiication สำหรับการฝึกอบรมเครื่องตรวจจับความผิดปกติที่แข็งแกร่ง
RNNPOOL : ตัวดำเนินการรวมที่ไม่เป็นเชิงเส้นที่มีประสิทธิภาพสำหรับ RAM ที่มีข้อ จำกัด การอนุมาน

อัลกอริทึมเหล่านี้สามารถฝึกอบรมแบบจำลองสำหรับปัญหาการเรียนรู้แบบคลาสสิกภายใต้ความต้องการของหน่วยความจำซึ่งเป็นคำสั่งของขนาดที่ต่ำกว่าอัลกอริทึม ML ที่ทันสมัยอื่น ๆ รุ่นที่ผ่านการฝึกอบรมสามารถโหลดลงบนอุปกรณ์ขอบเช่นอุปกรณ์/เซ็นเซอร์ IoT และใช้ในการทำนายที่รวดเร็วและแม่นยำออฟไลน์อย่างสมบูรณ์

เครื่องมือที่ปรับโมเดลที่ได้รับการฝึกฝนโดยอัลกอริทึมข้างต้นที่จะอนุมานโดยเลขคณิตจุดคงที่

Seedot : จุดลอยตัวถึงเครื่องมือการหาปริมาณจุดคงที่

แอปพลิเคชันที่แสดงให้เห็นถึงการใช้อัลกอริทึมเหล่านี้:

Gesturepod : ไปป์ไลน์การจดจำท่าทางสำหรับไมโครคอนโทรลเลอร์
MSC-RNN : RNN แบบหลายระดับสำหรับการวิเคราะห์ข้อมูลเรดาร์

องค์กร

ไดเรกทอรี tf มีแพ็คเกจ edgeml_tf ซึ่งระบุสถาปัตยกรรมเหล่านี้ใน TensorFlow และ examples/tf มีรูทีนการฝึกอบรมตัวอย่างสำหรับอัลกอริทึมเหล่านี้
ไดเรกทอรี pytorch มีแพ็คเกจ edgeml_pytorch ซึ่งระบุสถาปัตยกรรมเหล่านี้ใน pytorch และ examples/pytorch มีรูทีนการฝึกอบรมตัวอย่างสำหรับอัลกอริทึมเหล่านี้
ไดเรกทอรี cpp มีรหัสการฝึกอบรมและการอนุมานสำหรับอัลกอริทึม Bonsai และ ProtoNN ใน C ++
ไดเรกทอรี applications มีรหัส/การสาธิตแอปพลิเคชันของอัลกอริทึม EDGEML
ไดเรกทอรี tools/SeeDot มีเครื่องมือเชิงปริมาณเพื่อสร้างรหัสการอนุมานจุดคงที่
ไดเรกทอรี c_reference มีรหัสการอนุมาน (จุดลอยตัวหรือปริมาณ) สำหรับอัลกอริทึมต่างๆใน C

โปรดดูคำแนะนำในการติดตั้ง/เรียกใช้ในหน้า readme ภายในไดเรกทอรีเหล่านี้

รายละเอียดและหน้าโครงการ

สำหรับรายละเอียดโปรดดูหน้าโครงการของเราหน้าการวิจัย Microsoft, ICML '17 สิ่งพิมพ์เกี่ยวกับอัลกอริทึม Bonsai และ Proton, Neurips '18 สิ่งพิมพ์บน EMI-RNN และ Fastgrnn, PLDI '19 Publication Public RNNS, ICML '20 สิ่งพิมพ์เกี่ยวกับ DROCC และสิ่งพิมพ์ Neurips '20 บน Rnnpool

เช็คเอาต์โครงการ ELL ซึ่งสามารถให้บริการไบนารีที่ดีที่สุดสำหรับรุ่น ONNX บางรุ่นที่ได้รับการฝึกฝนโดยไลบรารีนี้

ผู้มีส่วนร่วม:

รหัสสำหรับอัลกอริทึมแอปพลิเคชันและเครื่องมือที่สนับสนุนโดย:

ดอนเดนนิส
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

ผู้มีส่วนร่วมในโครงการนี้ ผู้มีส่วนร่วมใหม่ยินดีต้อนรับ

โปรดส่งอีเมลถึงความคิดเห็นการวิจารณ์และคำถามของคุณ

หากคุณใช้ซอฟต์แวร์จากไลบรารีนี้ในงานของคุณโปรดใช้รายการ BIBTEX ด้านล่างสำหรับการอ้างอิง

 @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},
}