一篇新研究论文探讨了在企业无线接入点(AP)上部署预测性机器学习模型的挑战。研究强调,机器学习推理与网络服务之间的资源争用可能导致模型在AP上的性能远低于在类似Raspberry Pi 5这样的代理硬件上。基准测试表明,模型在AP上的运行速度最多慢19.1倍,峰值内存使用量增加22%。此外,在网络饱和状态下运行机器学习模型可能会降低网络性能,使往返时间增加76%,吞吐量降低7.06%。该论文提出了“网络感知可部署性”的概念,以解决有效实时部署中的这些权衡问题。 AI
影响 强调了在资源受限的边缘设备(如无线接入点)上部署机器学习模型时出现的性能下降和网络影响。
排序理由 该集群包含一篇研究论文,详细介绍了在特定硬件上进行机器学习模型性能测试的结果。
在 Hugging Face Daily Papers 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- Raspberry Pi 5
- ScienceCast
- machine learning
- wireless access points
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →