资料介绍
深度学习模型中的优化策略需要针对不同的用例采用不同的技术。此外，模型部署生命周期的不同阶段规定了可能的和特定的优化策略。在本文中，针对图像分类案例，提出了一种边缘计算环境下的优化深度学习模型。对于数据集的准备，利用图像预处理和数据增强方法为训练过程准备数据。为了加速深度学习训练过程，本系统实现了CPU优化和超参数调整。应用Tensorflow作为训练模型的框架。在深度学习训练对比中，应用InceptionV3、VGG16和MobileNet作为拓扑实现。在本例中，InceptionV3被用于对边缘的深度学习应用进行建模。为了优化训练后的模型，在边缘设备上使用了模型优化器。在实验中可以看到，MobileNet是最不准确的模型（85%），加载模型的时间最长（71s）。VGG16是最可靠的（91%），加载模型的时间最短（50s）。InceptionV3的准确率中位数（87%），加载模型的平均时间（52s）。
我要上传