PulseAugur
中
实时 08:18:03
English(EN) QScheduler: Adaptive Gradient Sampling for Zeroth-Order On-Device Training on INT8 NPUs

QScheduler 算法赋能微控制器上的自适应设备端 AI 训练

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 QScheduler，这是一种自适应算法，旨在优化配备神经网络处理单元 (NPU) 的微控制器上的设备端训练。该方法仅通过前向传播来估计梯度，使其适用于没有反向传播能力的设备并减少内存使用。QScheduler 根据训练进度动态调整梯度样本数量，无需进行昂贵的超参数搜索。在 STM32N6 的 Neural-ART NPU 上的初步实验表明，QScheduler 在 EuroSAT 和 STL-10 等数据集上，对于 ResNet18 和 MobileNetV2 模型，实现了与手动调整的固定量化配置相当的性能。 AI

影响 在资源受限的硬件上实现更高效、更易于访问的设备端 AI 训练。

排序理由 该集群包含一篇详细介绍设备端训练新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

QScheduler 算法赋能微控制器上的自适应设备端 AI 训练

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Victor Felipe Domingues Do Amaral (GeePs), Pierre Demaj (GeePs), Erwan Libessart (GeePs), Laurent Folliot (GeePs), Anthony Kolar (GeePs), Philippe B\'enab\`es (GeePs) ·

    QScheduler: 适用于 INT8 NPU 的自适应梯度采样零阶设备端训练

    arXiv:2607.18802v1 Announce Type: new Abstract: Zeroth-Order (ZO) optimization enables On-Device Learning (ODL) on NPU-equipped microcontrollers by estimating gradients through forward passes alone, bypassing the need for backpropagation primitives and reducing memory requirement…

相关实体

相关话题