CN115130649B 一种面向流水线分布式端云协同推理的深度学习模型划分方法和装置 （中国科学院软件研究所）_第1页
CN115130649B 一种面向流水线分布式端云协同推理的深度学习模型划分方法和装置 （中国科学院软件研究所）_第2页
CN115130649B 一种面向流水线分布式端云协同推理的深度学习模型划分方法和装置 （中国科学院软件研究所）_第3页
CN115130649B 一种面向流水线分布式端云协同推理的深度学习模型划分方法和装置 （中国科学院软件研究所）_第4页
CN115130649B 一种面向流水线分布式端云协同推理的深度学习模型划分方法和装置 （中国科学院软件研究所）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号一种面向流水线分布式端云协同推理的深本发明公开了一种面向流水线分布式端云法是一种面向视频帧流推理的机器学习模型分迟的方法找到最优分割点，把模型分割为两部23)边缘设备获取当前深度神经网络模型的划分点，计算该划分点下三个阶段的时间，5)得到当前划分策略下三个阶段的占比最7)边缘设备根据最优划分策略，计算深度神2.根据权利要求1所述一种面向流水线分布式端云协同推理的深度学习模型划分方对于n帧执行的总时间表示为Tn=n*Te十Tt十TC⃞n*Te;c以得到最佳划分点；当T>时，最小化max{Te,Tt,Tc}，即minmax{Te,Tt,Tc}，最大的采样率为33.根据权利要求1所述一种面向流水线分布式端云协同推理的深度学习模型划分方1)在frame(i+2)到来时，边缘侧计算frame(i+2)的前半部分网络的推理任务，同时2)frame(i+1)到达云端，frame(i)完成在云端的推3)云端将接收到的frame(i+1)边缘侧的中4.根据权利要求1所述一种面向流水线分布式端云协同推理的深度学习模型划分方5.根据权利要求1所述一种面向流水线分布式端云协同推理的深度学习模型划分方6.一种面向流水线分布式端云协同推理的深度4[0002]视频分析是实现从监控和自动驾驶汽车到个人数字助理和自动无人机控制等一工厂智能监控场景。而基于单帧的模型划分方法并没有考虑到在帧流环境下的阻塞问题，5[0009]2)边缘设备获取深度神经网络模型中每个层的输出数据大小，根据当前网络情[0014]7)边缘设备根据最优划分策略，计算深度神经网络分割点之前的所有推理子任c以得到最佳划分点；[0020]当时，最小化max{Te,Tt,Tc}，即minmax{Te,Tt,Tc}，最大的采样率为6[0025]3)云端将接收到的frame(i+1)边缘侧的中间结果导入到[0033](3)传统的模型划分方法没有考虑高采样率下系统阻塞问题，本发明根据系统采7[0041]1)设一个深度神经网络的层数[0054]1)边缘设备根据自身以及云服务器的硬件环境对深度神经网络模型中每一层模[0055]2)获取当前网络环境的带宽，根据当前带宽获取每一层模型输出数据的传输时8[0060]7)边缘设备根据划分策略，计算深度神经网络的划分点[0066]2)性能预测。边缘设备以及云端首先分别将相应的神经网络模型进行加载并推[0068]4)结合当前实例可获得AlexNet模型在不同划分点下端侧推理时间，数据传输时[0069]5)如果以单帧形式来进行推理，划分点选择在Pool1可以达到这种情况下的最优9[0073]ii.frame(i+1)到达云端，frame(i)完成在云端的推理任务，同时边缘设备将[0074]iii.云端将接收到的frame(i+1)边缘侧的中间结果导入到后半部分的神经网络所述计算机程序包括用于执行本发明方法中各步骤[0080]以上公开的本发明

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论