分析轻量化人工智能途径

分析轻量化人工智能途径

黄宇羽

440682198008071336

摘要：目前，许多领域都存在着对大规模服务器和海量训练样本需求的问题，人工智能在其中有很多的应用。而在新的世纪里，轻量化的人工智能技术将会得到更多的发展。在此基础上，文章简要地分析了轻量化人工智能，并对轻量化人工智能作了简要的阐述，希望能对相关领域的工作起到一定的借鉴作用。

关键词：轻量化；人工智能；途径

引言

在嵌入端先对图像进行预处理，然后把相应的处理后的数据传输给相应的分析模式，从而实现对图像的有效分析，并最终获得相应的判别结果。前期工作发现，通过在嵌入端完成辨识，能够显著缩短辨识过程所需的运算时间，通过在嵌入终端引入人工智能，能够显著提高综合的运算速度。

一、对轻量化智能的研究

轻量化人工智能可以让当前的某些业务，比如手机拍照、语音助手等，在不依赖于云的情况下，变得更加高效和快捷。除此之外，还有很多其他的用途，例如通过移动设备进行监控分析，甚至是无人驾驶。轻量化人工智能可以促进人工智能走向更宽广的平台，从而大大减少其应用和推广的成本，促进人工智能从高技术的竞赛走向普惠的智慧生态，从而让轻型人工智能逐渐成为人工智能的主流。从外到内，降低能耗，降低对运输、通讯、硬件的要求。但说到底，这只是一个累加的过程。而随着产业的不断发展，人工智能的任务也越来越繁重，这就要求轻量化人工智能能够更好地利用人工智能的运算能力。如何实现近乎无损的计算载体和模型的微型化，是一个具有挑战性的重要问题，迫切需要实现神经网络的轻量化、计算架构的创新、计算速度的提升和模型的硬件化。

二、实现轻量化人工智能途径

(一)TENGINE嵌入框架

TENGINE作为一个高效的基于深度神经网络的算法架构，能够为嵌入式系统带来最佳的部署经验。该系统也是一种模块化、开源框架设计，在计算过程中仅依靠 C/C++库，在实际运行中具有高效、轻量、量化训练以及支持异构计算的优点。将有关的照片资料经过加工后，传送到版面中。在该系统中，实现了对各类文字、数值的准确辨识，以及各类文字的准确预报。摄像机负责采集图片，在嵌入端内进行推理，利用概率呈现推理结果，可以对具体概率和类型进行准确的预测，并利用摄像机对每帧图片进行实时处理。在图像中加入一个嵌入端点，可以有效地加快图像的提取速度。

(二)基于卷积神经网络的研究

卷积神经网络具有类似于视觉皮层的特征，对边缘高度敏感，具有局部连通性，且具有权重分布和局部连通性，可利用局部连通性（如卷积点和头部点之间的连通性）来完成对影像的局部连通。权重分享是一组链路可以分享相同的权重。该特征使其相对于完全连通式网络，能够有效地减小全局参数，有效地提高了系统的学习效率。采用卷积神经网络对输入、输出和隐藏层进行了多维度信息的同步处理。其中，传送层的作用是：从网络中接收相关的数据，并对所收到的信息进行规范化，从而加速了模型的收敛，并将图像数据直接输入到本系统，包含 RGB三通道，2位像素，通常还能够对传输数据格式进行适当的调节。在该模型中，隐藏层包含了贝叶斯网络、完全连通层、池化和卷积等不同的层次，构成了该模型的核心。在具体的计算过程中，通常要增加一个返回层，使其能够根据不同的可能性得到最终的计算结果。

传统的非使用模式有如下特征：(1) VGG模式，通过将更小的卷积核堆栈到更大的核堆栈，确保了在相同的认知环境下，能更好地挖掘更多的信息，减少所需的参数，并在一定程度上对神经网络性能进行优化。在卷积框架下，利用1x1的卷积核和 VGG的混合特性，在不影响数据传输的情况下，有效地融合不同类型的数据，提升了整个网络的表现能力，减少了运算量。第二类是基于 RESNET的方法，其主要思路是将参数单位的概念融入 RESNT，在以往的神经网络中，其结构通常是一种无分支的线性序列，但由于深度学习技术的不断发展，使得整个神经网络的结构变得更加复杂，序列模型不再适用，为此，学者们提出一种基于该层次的参数网络，并将该层次的数据转化为下一层次的数据，进而构建基于该层次数据的参数网络。第三种为 MOBILENET，面向便携式、嵌入式等领域的轻量化 CNN，其特征为深度可分卷积，在不降低建模准确率的情况下，具有较强的降维能力，更适用于嵌入领域。在此基础上，提出了一种新的二次卷积算法。

(三) PC端的培训模式

通过神经网络模型，对整体特性进行研究，确定最佳的算法，然后基于算法，进行优化，以保证算法的收敛性。通常情况下，该算法的收敛性随学习量的增加而增加。而当学习速率减小时，则极易导致网络陷入局部极值。若学习量太大，则会导致某一部位的重复振动问题，不能得到最优解。在此基础上，利用 LOSS功能，选取互熵耗散函数，对 LOSS进行扩展运算。最终通过对算法的准确度进行评估，并在算法的嵌入端设定具有最佳效果的算法。

(四)图像的预处理

在该算法中，由于该算法所使用的 EMNIST数据为一幅灰度图，所以必须对该算法进行相应的转换，并将其转换为与该算法对应的图像，然后再将其转换为相应的算法。基于 OPEN CV实现的影像预处理功能，能够为现有影像预处理技术提供支撑，并能为现有的影像预处理技术添加新的数据挖掘技术。所谓“灰度化”，就是把彩色视频数据从视频中读取出来，然后把红、绿、蓝三种颜色的图像变换成灰色图像。均值模糊是对相关的图像数据进行卷积，在此，卷积又叫模板，是一种固定值，其主要作用是让整个图像更加模糊，增加边缘轮廓和总体范围，有利于图像的降噪。二值化是一种二值图像，它有助于整个图像的辨识和对对象的分析，利用图像的处理，可以对图像进行形态学处理，即把超出阈值的图像转化为255，小于阈值的图像转化为0。字符抽取分割，将字符串作为目标进行分割和抽取，可以将其分为组成和切割，将其调节为正方形，并进行扩张，同时可以对具体尺寸进行适当的调节。经过上述多个步骤的处理，特征抽取就完成了。同时，通过系统的处理，将各不相同的子图转化为一个统一的尺度，便于将有关的数据结果传递给该模型，并进行推断，最后得出一个准确的推断，并用一个概率来表示，而该概率主要是通过该函数被启动后的输出层所输出。

结语

总之，因为人工智能网络在运算方面会构成巨大的计算资源，所以，它的训练主要聚焦于服务端，在算力不足和网络条件限制下，进行人工智能具有较大的难度。为此，迫切需要对其进行系统的分析与分析，以提高其在嵌入式终端与存储方面的优越性，为其创新发展奠定基础。

参考文献

[1]刘世泽,李紫蕊,范书瑞等.基于轻量化人工智能方法的手写体识别研究[J].现代电子技术,2022,45(10):165-170.

[2]冷聪.智能化下半场：轻量化人工智能兴起[J].科学新闻,2021,23(02):23-24.

[3]李前,蔺琛皓.云边端全场景下深度学习模型对抗攻击和防御[J].计算机研究与发展,2022,59(10):2109-2129.

[4]徐宣哲,宁珂.基于硬件仿真系统的边缘计算人工智能视觉芯片设计验证[J].物联网学报,2022,6(01):20-28.