දෘඪාංග-මෘදුකාංග සම-නිර්මාණය හරහා Edge උපාංග මත කාර්යක්ෂම AI මාදිලිය යෙදවීම

හැඳින්වීම

ස්මාර්ට්ෆෝන්, ස්මාර්ට් නිවාස උපාංග සහ ස්වයංක්‍රීය වාහන වැනි එජ් උපාංගවල ව්‍යාප්තිය, මෙම උපාංගවල කාර්යක්ෂම AI ආකෘති යෙදවීම සඳහා දැඩි අවශ්‍යතාවයක් නිර්මාණය කර ඇත. සාම්ප්‍රදායික AI ආකෘති යෙදවීමේ ක්‍රම බොහෝ විට වලාකුළු මත පදනම් වූ යටිතල පහසුකම් මත රඳා පවතින අතර එමඟින් ප්‍රමාදය, ආරක්ෂක ගැටළු සහ ඉහළ බලශක්ති පරිභෝජනය හඳුන්වා දිය හැකිය. මෙම අභියෝගවලට මුහුණ දීම සඳහා, දෘඪාංග-මෘදුකාංග සම-නිර්මාණය හොඳ ප්‍රවේශයක් ලෙස මතු වී ඇති අතර, AI මාදිලියේ ක්‍රියාකාරීත්වය, බල පරිභෝජනය සහ එජ් උපාංගවල ප්‍රමාදය ප්‍රශස්ත කිරීම සක්‍රීය කරයි.

AI, Edge Computing සහ Co-design හි ඡේදනය

Edge computing යනු මධ්‍යගත වලාකුළක හෝ දත්ත මධ්‍යස්ථානයක නොව, දත්ත මූලාශ්‍රයට සමීපව, ජාලයේ කෙළවරේ දත්ත සැකසීමයි. අනෙක් අතට, AI ආකෘති විශාල දත්ත ප්‍රමාණයක් සැකසීමට සහ විශ්ලේෂණය කිරීමට සැලකිය යුතු පරිගණක සම්පත් අවශ්‍ය වේ. AI, එජ් කම්පියුටින් සහ සම-නිර්මාණයේ ඡේදනයට එජ් උපාංගවල කාර්යක්ෂම AI ආකෘති යෙදවීම සාක්ෂාත් කර ගැනීම සඳහා දෘඩාංග සහ මෘදුකාංග සංරචක ඒකාබද්ධ ප්‍රශස්තකරණය ඇතුළත් වේ.

දෘඪාංග-මෘදුකාංග සම-නිර්මාණයේ ප්‍රතිලාභ

දෘඪාංග-මෘදුකාංග සම-නිර්මාණය ප්‍රතිලාභ කිහිපයක් ලබා දෙයි, ඇතුළුව:

• වැඩිදියුණු කළ කාර්ය සාධනය: දෘඪාංග සහ මෘදුකාංග සංරචක එකට ප්‍රශස්ත කිරීම මගින්, සම-නිර්මාණය AI මාදිලියේ යෙදවීමෙහි සැලකිය යුතු කාර්ය සාධනයක් වැඩිදියුණු කිරීමට හේතු විය හැක.
• අඩු කරන ලද බල පරිභෝජනය: අඩු බල ක්‍රියාකාරිත්වය සඳහා දෘඪාංග සහ මෘදුකාංග සංරචක ප්‍රශස්ත කිරීම මගින් බලශක්ති පරිභෝජනය අඩු කිරීමට සම-නිර්මාණය උපකාරී වේ.
• අඩු ප්‍රමාදය: වේගවත් දත්ත සැකසීම සහ සන්නිවේදනය සඳහා දෘඪාංග සහ මෘදුකාංග සංරචක ප්‍රශස්ත කිරීම මගින් ප්‍රමාදය අඩු කිරීමට සම-නිර්මාණය උපකාරී වේ.
• වැඩි නම්‍යශීලීභාවය: විවිධ දාර උපාංග මත පහසුවෙන් යෙදවිය හැකි වඩාත් නම්‍යශීලී සහ අනුවර්තනය කළ හැකි AI මාදිලි සංවර්ධනය කිරීමට සම-නිර්මාණය මඟින් හැකියාව ලැබේ.

ප්‍රායෝගික අවධානය: කේත උදාහරණය

දාර උපාංග මත AI මාදිලිය යෙදවීම සඳහා දෘඪාංග-මෘදුකාංග සම-නිර්මාණය පිළිබඳ සරල උදාහරණයක් සලකා බලමු. ජනප්‍රිය එජ් උපාංගයක් වන Raspberry Pi මත මූලික AI ආකෘතියක් යෙදවීමට අපි ජනප්‍රිය Python පුස්තකාලය, TensorFlow භාවිතා කරන්නෙමු.

tf ලෙස tensorflow ආනයනය කරන්න
tensorflow.keras ආනයන ස්ථර වලින්

# AI ආකෘති ගෘහ නිර්මාණ ශිල්පය නිර්වචනය කරන්න
ආකෘතිය = tf.keras.Sequential([
    ස්ථර.Conv2D(32, (3, 3), Activation='relu', input_shape=(28, 28, 1)),
    ස්ථර.MaxPooling2D((2, 2)),
    ස්ථර. පැතලි (),
    ස්ථර.ඝන (64, සක්‍රිය කිරීම='relu'),
    ස්ථර.ඝන (10, සක්‍රිය කිරීම='softmax')
])

# ආකෘතිය සම්පාදනය කරන්න
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              ප්‍රමිතික=['නිරවද්‍යතාව'])

# MNIST දත්ත කට්ටලය පූරණය කරන්න
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()

# දත්ත පෙර සකසන්න
X_train = X_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
X_test = X_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0

# ආකෘතිය පුහුණු කරන්න
model.fit(X_train, y_train, epochs=5, batch_size=128)

# ආකෘතිය ඇගයීම
test_loss, test_acc = model.evaluate(X_test, y_test)
මුද්‍රණය (f'පරීක්ෂණ නිරවද්‍යතාවය: {test_acc:.2f}')

මෙම කේත උදාහරණය TensorFlow භාවිතයෙන් Raspberry Pi මත මූලික AI ආකෘති යෙදවීමක් පෙන්නුම් කරයි. ආකෘතිය MNIST දත්ත කට්ටලය මත පුහුණු කර ඇති අතර පරීක්ෂණ කට්ටලයක් මත ඇගයීමට ලක් කෙරේ. එජ් උපාංග මත AI මාදිලිය යෙදවීම සඳහා දෘඪාංග-මෘදුකාංග සම-නිර්මාණයේ සරල බව සහ නම්‍යශීලී බව කේතය පෙන්වයි.

Top 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets

දෘඪාංග-මෘදුකාංග සම-නිර්මාණය සඳහා බහුලව භාවිතා වන විධාන සහ කොටස් කිහිපයක් මෙන්න:

• 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
• Co-Design: co-design.py -h, co-design.py -m <model_name>, co-design.py -d <device_name>

දෘශ්‍යකරණය

Chart.js භාවිතයෙන් දෘඪාංග-මෘදුකාංග සම-නිර්මාණයේ ප්‍රතිලාභ පිළිබඳ දෘශ්‍යකරණයක් මෙන්න:

{
  "වර්ගය": "බාර්",
  "දත්ත": {
    "ලේබල්": ["සාම්ප්‍රදායික AI මාදිලි යෙදවීම", "දෘඪාංග-මෘදුකාංග සම-නිර්මාණය"],
    "දත්ත කට්ටල": [
      {
        "ලේබලය": "කාර්ය සාධනය",
        "දත්ත": [10, 20],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "දේශසීමා පළල": 1
      },
      {
        "ලේබලය": "බල පරිභෝජනය",
        "දත්ත": [50, 30],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "දේශසීමා පළල": 1
      },
      {
        "ලේබලය": "ප්‍රමාදය",
        "දත්ත": [100, 50],
        "backgroundColor": "rgba(255, 206, 86, 0.2)",
        "borderColor": "rgba(255, 206, 86, 1)",
        "දේශසීමා පළල": 1
      }
    ]
  },
  "විකල්ප": {
    "මාතෘකාව": {
      "දර්ශණය": ඇත්ත,
      "text": "දෘඪාංග-මෘදුකාංග සම-නිර්මාණයේ ප්‍රතිලාභ"
    },
    "පරිමාණ": {
      "yAxes": [
        {
          "කිනිතුල්ලන්": {
            "beginAtZero": ඇත්ත
          }
        }
      ]
    }
  }
}

මෙම දෘශ්‍යකරණය සාම්ප්‍රදායික AI මාදිලියේ යෙදවීමේ කාර්ය සාධනය, බල පරිභෝජනය සහ ප්‍රමාදය දෘඪාංග-මෘදුකාංග සම-නිර්මාණය සමඟ සංසන්දනය කරයි.

නිගමනය

දෘඪාංග-මෘදුකාංග සම-නිර්මාණය එජ් උපාංග මත කාර්යක්ෂම AI ආකෘති යෙදවීම සඳහා හොඳ ප්‍රවේශයක් ලෙස මතු වී ඇත. දෘඪාංග සහ මෘදුකාංග සංරචක එකට ප්‍රශස්ත කිරීම මගින්, සම-නිර්මාණය සැලකිය යුතු කාර්ය සාධන වැඩිදියුණු කිරීම්, බලශක්ති පරිභෝජනය අඩු කිරීම සහ ප්‍රමාදය අඩු කිරීමට හේතු විය හැක. මෙම ලිපියෙන් සරල කේත උදාහරණයක් සහ ප්‍රතිලාභ දෘශ්‍යකරණය ඇතුළුව දෘඪාංග-මෘදුකාංග සම-නිර්මාණයේ ප්‍රතිලාභ සහ ප්‍රායෝගික යෙදුම් පිළිබඳ සවිස්තරාත්මක දළ විශ්ලේෂණයක් ලබා දී ඇත. Edge AI සඳහා ඇති ඉල්ලුම අඛණ්ඩව වර්ධනය වන බැවින්, දෘඪාංග-මෘදුකාංග සම-නිර්මාණය කාර්යක්ෂම සහ ඵලදායී AI ආකෘති සංවර්ධනය කිරීමේදී වැඩි වැඩියෙන් වැදගත් කාර්යභාරයක් ඉටු කරනු ඇත.