Танилцуулга
Ухаалаг утас, гэрийн ухаалаг төхөөрөмж, бие даасан тээврийн хэрэгсэл гэх мэт захын төхөөрөмжүүдийн тархалт нь эдгээр төхөөрөмж дээр хиймэл оюун ухааны загварыг үр ашигтай байрлуулах зайлшгүй хэрэгцээг бий болгож байна. Уламжлалт AI загварыг байршуулах аргууд нь ихэвчлэн үүлэнд суурилсан дэд бүтцэд тулгуурладаг бөгөөд энэ нь хоцролт, аюулгүй байдлын асуудал, өндөр эрчим хүчний хэрэглээг бий болгодог. Эдгээр сорилтыг шийдвэрлэхийн тулд техник хангамж-програм хангамжийн хамтарсан дизайн нь AI загварын гүйцэтгэл, эрчим хүчний хэрэглээ болон захын төхөөрөмжүүдийн хоцролтыг оновчтой болгох боломжийг олгож, ирээдүйтэй арга болж гарч ирсэн.
AI, Edge Computing, Co-Design хоёрын огтлолцол
Edge computing гэдэг нь өгөгдлийг төвлөрсөн үүл эсвэл дата төвд бус, мэдээллийн эх үүсвэрт ойртуулж, сүлжээний ирмэг дээр боловсруулахыг хэлнэ. Харин AI загварууд нь их хэмжээний өгөгдлийг боловсруулж, шинжлэхэд ихээхэн хэмжээний тооцооллын нөөц шаарддаг. Хиймэл оюун ухаан, захын тооцоолол, хамтарсан дизайны огтлолцол нь захын төхөөрөмжүүд дээр хиймэл оюун ухааны загварыг үр ашигтай байрлуулахын тулд техник хангамж, програм хангамжийн бүрэлдэхүүн хэсгүүдийн хамтарсан оновчлолыг агуулдаг.
Техник хангамж-Програм хангамжийн хамтын дизайны ашиг тус
Техник хангамж-програм хангамжийн хамтарсан загвар нь хэд хэдэн давуу талыг санал болгодог бөгөөд үүнд:
- Сайжруулсан гүйцэтгэл: Техник хангамж болон программ хангамжийн бүрэлдэхүүн хэсгүүдийг хамтад нь оновчтой болгосноор хамтран дизайн хийснээр AI загварыг ашиглахад гүйцэтгэл мэдэгдэхүйц сайжирна.
- Цахилгааны зарцуулалтыг бууруулсан: Хамтарсан загвар нь техник хангамж, программ хангамжийн бүрэлдэхүүн хэсгүүдийг эрчим хүч багатай ажиллуулахад оновчтой болгох замаар эрчим хүчний зарцуулалтыг бууруулахад тусална.
- Хоцрогдол багатай: Хамтран дизайн нь өгөгдлийг хурдан боловсруулах, харилцахын тулд техник хангамж, програм хангамжийн бүрэлдэхүүн хэсгүүдийг оновчтой болгосноор хоцролтыг багасгахад тусална.
- Уян хатан байдлыг нэмэгдүүлсэн: Хамтран загвар хийснээр өөр өөр захын төхөөрөмжүүдэд хялбархан ашиглах боломжтой илүү уян хатан, дасан зохицох хиймэл оюун ухааны загваруудыг хөгжүүлэх боломжтой.
Практикт анхаарал хандуулах: Кодын жишээ
AI загварыг захын төхөөрөмж дээр байрлуулахад зориулсан техник хангамж-програм хангамжийн хамтын дизайны энгийн жишээг авч үзье. Бид алдартай захын төхөөрөмж болох Raspberry Pi дээр хиймэл оюун ухааны үндсэн загварыг ашиглахын тулд алдартай Python номын сан болох TensorFlow-г ашиглах болно.
импортын тензор урсгалыг tf
tensorflow.keras-аас импортын давхаргууд
# AI загварын архитектурыг тодорхойлох
загвар = tf.keras.Sequential([
давхаргууд.Conv2D(32, (3, 3), идэвхжүүлэх='relu', input_shape=(28, 28, 1)),
давхарга.MaxPooling2D((2, 2)),
давхарга. Хавтгайлах(),
давхарга.Нягт(64, идэвхжүүлэх='relu'),
давхарга.Нягт(10, идэвхжүүлэх='softmax')
])
# Загварыг эмхэтгэх
model.compile(optimizer='adam',
алдагдал='сийрэг_категорийн_кроссентропи',
хэмжүүр=['нарийвчлал'])
# MNIST мэдээллийн багцыг ачаална уу
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()
# Өгөгдлийг урьдчилан боловсруулах
X_train = X_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
X_test = X_test.reshape(-1, 28, 28, 1).atype('float32') / 255.0
# Загварыг сурга
model.fit(X_train, y_train, epochs=5, багцын_хэмжээ=128)
# Загварыг үнэл
тест_алдагдал, test_acc = загвар.үнэлэх(X_test, y_test)
хэвлэх(f'Туршилтын нарийвчлал: {test_acc:.2f}')
Энэхүү кодын жишээ нь TensorFlow ашиглан Raspberry Pi дээр хиймэл оюун ухааны үндсэн загвар байршуулалтыг харуулж байна. Загварыг MNIST мэдээллийн багц дээр сургаж, туршилтын багц дээр үнэлдэг. Энэхүү код нь захын төхөөрөмжүүд дээр хиймэл оюун ухааны загварыг ашиглахад зориулагдсан техник хангамж-програм хангамжийн хамтын дизайны энгийн, уян хатан байдлыг харуулдаг.
Хамгийн их хэрэглэгддэг 5-10 тушаал/хэсэг
Техник хангамж, программ хангамжийг хамтран зохион бүтээхэд хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийг энд оруулав.
- 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 - Хамтран дизайн:
co-design.py -h,co-design.py -m <загварын_нэр>,co-design.py -d <төхөөрөмжийн_нэр>
Дүрслэл
Chart.js ашиглан техник хангамж-програм хангамжийн хамтын дизайны давуу талуудын дүрслэлийг энд үзүүлэв.
{
"төрөл": "бар",
"өгөгдөл": {
"шошго": ["Уламжлалт хиймэл оюун ухааны загвар байршуулалт", "Тоног төхөөрөмж-програм хангамжийн хамтын дизайн"],
"өгөгдлийн багц": [
{
"label": "Гүйцэтгэл",
"өгөгдөл": [10, 20],
"backgroundColor": "rgba(255, 99, 132, 0.2)",
"borderColor": "rgba(255, 99, 132, 1)",
"хилийн өргөн": 1
},
{
"label": "Эрчим хүчний хэрэглээ",
"өгөгдөл": [50, 30],
"backgroundColor": "rgba(54, 162, 235, 0.2)",
"borderColor": "rgba(54, 162, 235, 1)",
"хилийн өргөн": 1
},
{
"label": "Хоцролт",
"өгөгдөл": [100, 50],
"backgroundColor": "rgba(255, 206, 86, 0.2)",
"borderColor": "rgba(255, 206, 86, 1)",
"хилийн өргөн": 1
}
]
},
"сонголт": {
"гарчиг": {
"дэлгэц": үнэн,
"text": "Техник хангамж, программ хангамжийн хамтын дизайны ашиг тус"
},
"масштаб": {
"yAxes": [
{
"хачиг": {
"beginAtZero": үнэн
}
}
]
}
}
}
Энэхүү дүрслэл нь уламжлалт хиймэл оюун ухааны загвар ашиглалтын гүйцэтгэл, эрчим хүчний зарцуулалт, хоцролт зэргийг техник хангамж, программ хангамжийн хамтарсан дизайнтай харьцуулсан болно.
Дүгнэлт
Техник хангамж-програм хангамжийн хамтарсан загвар нь хиймэл оюун ухааны загварыг захын төхөөрөмжүүдэд үр ашигтай байрлуулах ирээдүйтэй арга болж гарч ирсэн. Техник хангамж, програм хангамжийн бүрэлдэхүүн хэсгүүдийг хамтад нь оновчтой болгосноор хамтын дизайн нь гүйцэтгэлийг мэдэгдэхүйц сайжруулж, эрчим хүчний зарцуулалтыг бууруулж, хоцролтыг багасгахад хүргэдэг. Энэхүү нийтлэл нь энгийн кодын жишээ болон ашиг тусын дүрслэлийг багтаасан техник хангамж-програм хангамжийн хамтын дизайны давуу тал, практик хэрэглээний талаар нарийвчилсан тоймыг өгсөн болно. AI-ийн эрэлт хэрэгцээ өссөөр байгаа тул техник хангамж-програм хангамжийн хамтарсан дизайн нь хиймэл оюун ухааны үр ашигтай, үр дүнтэй загваруудыг хөгжүүлэхэд улам чухал үүрэг гүйцэтгэх болно.