.png){kind=icon}
返回
A Pruning Method for Multi-Layer Perceptron Optimisation in IoT
.png){kind=icon}
OA
AI
DOI：10.1049/ell2.70381.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘计算环境（如物联网IoT设备）中深度学习的日益普及，要求采用高效的神经网络优化技术以缓解计算和功耗限制。本研究提出了一种基于辅助形态神经网络（MNNs）的多层感知器（MLP）新型剪枝方法。这些MNNs为每个隐藏层生成结构化剪枝掩码，在显著降低模型复杂度的同时保持性能。该方法使用修改国家标准与技术研究院数据库（MNIST）和Fashion-MNIST数据集进行验证，展示了比传统剪枝方法更优的压缩率。实验结果表明，该方法在降低物联网平台的计算需求、内存占用和推理延迟方面具有显著效果，同时保持具有竞争力的准确率水平。这些发现强调了形态学剪枝在资源受限环境中实现可扩展且节能的深度学习模型的潜力。
Keyword:
artificial intelligence
Internet of Things
learning (artificial intelligence)
microcontrollers
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
0.8
论文数:
304
被引数:
1.2W
机构
引用论文
Hidden neuron pruning of multilayer perceptrons using a quantified sensitivity measure.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容