# הקדמה

די פּראָוליפעריישאַן פון ברעג דעוויסעס, אַזאַ ווי סמאַרטפאָנעס, סמאַרט היים דעוויסעס און אָטאַנאַמאַס וועהיקלעס, האט באשאפן אַ דרינגלעך נויט פֿאַר עפעקטיוו אַי מאָדעל דיפּלוימאַנט אויף די דעוויסעס. טראַדיציאָנעל אַי מאָדעל דיפּלוימאַנט מעטהאָדס אָפט פאַרלאָזנ אויף וואָלקן-באזירט ינפראַסטראַקטשער, וואָס קענען באַקענען לייטאַנסי, זיכערהייט קאַנסערנז און הויך מאַכט קאַנסאַמשאַן. צו אַדרעס די טשאַלאַנדזשיז, ייַזנוואַרג-ווייכווארג קאָ-דיזיין איז ימערדזשד ווי אַ פּראַמאַסינג צוגאַנג, וואָס אַלאַוז די אַפּטאַמאַזיישאַן פון אַי מאָדעל פאָרשטעלונג, מאַכט קאַנסאַמשאַן און לייטאַנסי אויף ברעג דעוויסעס.

די ינטערסעקשאַן פון אַי, עדזש קאַמפּיוטינג און קאָ-דיזיין

עדזש קאַמפּיוטינג רעפערס צו די פּראַסעסינג פון דאַטן בייַ די ברעג פון די נעץ, נעענטער צו די מקור פון די דאַטן, אלא ווי אין אַ סענטראַלייזד וואָלקן אָדער דאַטן צענטער. AI מאָדעלס, אויף די אנדערע האַנט, דאַרפן באַטייטיק קאַמפּיוטיישאַנאַל רעסורסן צו פּראָצעס און אַנאַלייז גרויס אַמאַונץ פון דאַטן. די ינטערסעקשאַן פון אַי, ברעג קאַמפּיוטינג און קאָ-פּלאַן ינוואַלווז די שלאָס אַפּטאַמאַזיישאַן פון ייַזנוואַרג און ווייכווארג קאַמפּאָונאַנץ צו דערגרייכן עפעקטיוו אַי מאָדעל דיפּלוימאַנט אויף ברעג דעוויסעס.

בענעפיץ פון האַרדוואַרע-סאָפטוואַרע קאָ-דיזיין

האַרדוואַרע ווייכווארג קאָ-פּלאַן אָפפערס עטלעכע בענעפיץ, אַרייַנגערעכנט:

• ** ימפּרוווד פאָרשטעלונג **: דורך אָפּטימיזינג ייַזנוואַרג און ווייכווארג קאַמפּאָונאַנץ צוזאַמען, קאָ-פּלאַן קענען פירן צו באַטייטיק פאָרשטעלונג ימפּרווומאַנץ אין אַי מאָדעל דיפּלוימאַנט.
• ** רידוסט מאַכט קאַנסאַמשאַן **: קאָ-פּלאַן קענען העלפֿן רעדוצירן מאַכט קאַנסאַמשאַן דורך אָפּטימיזינג ייַזנוואַרג און ווייכווארג קאַמפּאָונאַנץ פֿאַר נידעריק-מאַכט אָפּעראַציע.
• ** נידעריקער לייטאַנסי **: קאָ-פּלאַן קענען העלפֿן רעדוצירן לייטאַנסי דורך אָפּטימיזינג ייַזנוואַרג און ווייכווארג קאַמפּאָונאַנץ פֿאַר שנעל דאַטן פּראַסעסינג און קאָמוניקאַציע.
• ** ינקרעאַסעד בייגיקייַט **: קאָ-פּלאַן קענען געבן די אַנטוויקלונג פון מער פלעקסאַבאַל און אַדאַפּטאַבאַל אַי מאָדעלס וואָס קענען זיין לייכט דיפּלויד אויף פאַרשידענע ברעג דעוויסעס.

פּראַקטיש פאָקוס: קאָד בייַשפּיל

לאָמיר באַטראַכטן אַ פּשוט ביישפּיל פון ייַזנוואַרג-ווייכווארג קאָ-פּלאַן פֿאַר אַי מאָדעל דיפּלוימאַנט אויף ברעג דעוויסעס. מיר וועלן נוצן די פאָלקס פּיטהאָן ביבליאָטעק, TensorFlow, צו צעוויקלען אַ יקערדיק אַי מאָדעל אויף אַ Raspberry Pi, אַ פאָלקס ברעג מיטל.

אַרייַנפיר טענסאָרפלאָוו ווי tf
פֿון tensorflow.keras אַרייַנפיר לייַערס

# דעפינירן די אַי מאָדעל אַרקאַטעקטשער
מאָדעל = tf.keras.Sequential([
    לייַערס.קאָנוו2ד (32, (3, 3), אַקטאַוויישאַן = 'רעלו', אַרייַנשרייַב_שאַפּע = (28, 28, 1)),
    Layers.MaxPooling2D((2,2)),
    לייַערס.פלאַטאַן(),
    לייַערס.דענסע(64, אַקטאַוויישאַן = 'רעלו'),
    Layers.Dense (10, אַקטאַוויישאַן = 'סאָפטמאַקס')
])

# קאַמפּייל די מאָדעל
model.compile (אָפּטימיזער = 'אַדאַם',
              לאָס = 'ספּאַרסע_קאַטעגאָריקאַל_קראָססענטראָפּי',
              מעטריקס = ['פּינטלעכקייט'])

# לאָדן די MNIST דאַטאַבייס
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()

# פּריפּראָסעס די דאַטן
X_train = X_train.reshape(-1, 28, 28, 1). אַסטיפּע ('פלאָוט32') / 255.0
X_test = X_test.reshape(-1, 28, 28, 1). אַסטיפּע ('float32') / 255.0

# באַן די מאָדעל
model.fit (X_train, y_train, epochs = 5, batch_size = 128)

# אָפּשאַצן די מאָדעל
test_loss, test_acc = model.evaluate(X_test, y_test)
דרוק (פ'טעסט אַקיעראַסי: {טעסט_אַקק:.2פ}')

דעם קאָד ביישפּיל דעמאַנסטרייץ אַ יקערדיק אַי מאָדעל דיפּלוימאַנט אויף אַ Raspberry Pi ניצן TensorFlow. דער מאָדעל איז טריינד אויף די MNIST דאַטאַסעט און עוואַלואַטעד אויף אַ פּראָבע גאַנג. דער קאָד שאָוקייסיז די פּאַשטעס און בייגיקייַט פון ייַזנוואַרג-ווייכווארג קאָ-פּלאַן פֿאַר אַי מאָדעל דיפּלוימאַנט אויף ברעג דעוויסעס.

שפּיץ 5-10 מערסט געוויינט קאַמאַנדז / סניפּאַץ

דאָ זענען עטלעכע פון ​​די מערסט קאַמאַנלי געוויינט קאַמאַנדז און סניפּאַץ פֿאַר ייַזנוואַרג-ווייכווארג קאָ-פּלאַן:

• ** TensorFlow**: tf.keras.Sequential(), tf.keras.layers.Conv2D(), tf.keras.layers.MaxPooling2D()
• Raspberry Pi: 'sudo apt-get update', 'sudo apt-get install python3-pip', 'pip3 install tensorflow'
• קאָ-דיזיין: co-design.py -h, co-design.py -m <model_name>, co-design.py -d <device_name>

וויסואַליזאַטיאָן

דאָ איז אַ וויזשוואַלאַזיישאַן פון די בענעפיץ פון ייַזנוואַרג-ווייכווארג קאָ-דיזיין ניצן Chart.js:

{
  "type": "באַר",
  "דאַטן": {
    "labels": ["טראַדיציאָנעל אַי מאָדעל דיפּלוימאַנט", "האַרדוואַרע-סאָפטוואַרע קאָ-דיזיין"],
    "דאַטאַסעטס": [
      {
        "label": "פאָרשטעלונג",
        "דאַטן": [10, 20],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "באָרדערווידטה": 1
      },
      {
        "label": "מאַכט קאַנסאַמשאַן",
        "דאַטן": [50, 30],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "באָרדערווידטה": 1
      },
      {
        "label": "לייטאַנסי",
        "דאַטן": [100, 50],
        "backgroundColor": "rgba(255, 206, 86, 0.2)",
        "borderColor": "rgba(255, 206, 86, 1)",
        "באָרדערווידטה": 1
      }
    ]
  },
  "אָפּציעס": {
    "טיטל": {
      "ווייַז": אמת,
      "text": "בענעפיץ פון האַרדוואַרע-סאָפטוואַרע קאָ-דיזיין"
    },
    "סקאַלעס": {
      "יאַקסעס": [
        {
          "טיקס": {
            "באַגינאַט זעראָ": אמת
          }
        }
      ]
    }
  }
}

די וויזשוואַלאַזיישאַן קאַמפּערז די פאָרשטעלונג, מאַכט קאַנסאַמשאַן און לייטאַנסי פון טראדיציאנעלן אַי מאָדעל דיפּלוימאַנט קעגן ייַזנוואַרג-ווייכווארג קאָ-פּלאַן.

# מסקנא

ייַזנוואַרג-ווייכווארג קאָ-פּלאַן איז ימערדזשד ווי אַ פּראַמאַסינג צוגאַנג פֿאַר עפעקטיוו אַי מאָדעל דיפּלוימאַנט אויף ברעג דעוויסעס. דורך אָפּטימיזינג ייַזנוואַרג און ווייכווארג קאַמפּאָונאַנץ צוזאַמען, קאָ-פּלאַן קענען פירן צו באַטייטיק פאָרשטעלונג ימפּרווומאַנץ, רידוסט מאַכט קאַנסאַמשאַן און נידעריקער לייטאַנסי. דער אַרטיקל האט צוגעשטעלט אַ דיטיילד איבערבליק פון די בענעפיץ און פּראַקטיש אַפּלאַקיישאַנז פון ייַזנוואַרג-ווייכווארג קאָ-פּלאַן, אַרייַנגערעכנט אַ פּשוט קאָד ביישפּיל און וויזשוואַלאַזיישאַן פון די בענעפיץ. ווי די פאָדערונג פֿאַר ברעג אַי האלט צו וואַקסן, ייַזנוואַרג-ווייכווארג קאָ-דיזיין איז מסתּמא צו שפּילן אַ ינקריסינגלי וויכטיק ראָלע אין דער אַנטוויקלונג פון עפעקטיוו און עפעקטיוו אַי מאָדעלס.