بهینه سازی برو ن سپاری محاسباتی شبکه های عصبی عمیق برای تشخیصفعالیت انسانی

با توجه به محدودیت های منابع محاسباتی موجود در دستگا ه های تلفن همراه، این دستگا ه ها در اجرای برخی وظایف روزمره با چالش مواجه هستند. یک را ه حل برای این مشکل، برو ن سپاری است که در آن، دستگاه پردازش خود را برای اجرا روی ابر محاسباتی ارسال می کند. مقاله حاضر با تمرکز بر روی کاربرد تشخیص فعالیت انسانی، رو شهایی برای کاهش حجم داد ه های ارسالی وظایف به ابر، با تکیه بر نقاط مطلوب در معامله بین دقت استنتاج یادگیری و هزینه ارتباطات برو ن سپاری ارائه می کند. سهروش پیشنهادی کاهش تعداد نمونه های داده، کاهش دقت اعشار نمونه های داد ه و فشرد ه سازی نمونه های داده ارائه شده است که در روش اول نمونه های داده قبل از ارسال به صورت یکی در میان یا بیشتر حذف شده و در سمت ابر با تخمین درو ن یابی مجددا بازیابی می شوند. در روش کاهش دقت اعشار، نمونه های داده قبل از ارسال با یک نگاشت به عدد صحیح با تعداد بیت محدود تبدیل و در سمت ابر با نگاشت معکوس به صورت تخمینی بازیابی می شوند. در روش فشرد ه سازی، نمونه های داده قبل از ارسال، با یک الگوریتم فشرد ه سازی سبک دلتا به یکی از دو روش با اتلاف یا بدون اتلاف فشرده می شوند. نتایج عملی نشان میدهد اگر چه رو ش های کاهش تعداد نمونه و کاهش دقت اعشار سبب کاهش حجم داده ارسالی بدونتاثیر قابل توجه بر روی دقت تشخیص می شوند، روش کاهش دقت اعشار به دلیل میزان کاهش بیشتر حجم داده نسبت به روش کاهش تعداد نمونه ها برتری دارد. ضمناً روش فشرد ه سازی دلتا به اندازه دو روش دیگر موثرنمی باشد