研究人员开发了 ENAS，一个专为资源受限微控制器上的 TinyML 应用设计的高效硬件感知神经架构搜索 (NAS) 框架。与依赖 GPU 的方法不同，ENAS 无需 GPU 即可有效运行，并采用了混合搜索策略和持久化缓存。在各种微控制器上的 Visual Wake Words 和 Melanoma Cancer 基准测试中进行的评估表明，ENAS 实现了显著的搜索时间加速，并选择了具有较低峰值激活 RAM 的模型，这对于微控制器部署至关重要。 AI
影响 ENAS 通过消除对 GPU 加速的需求，为开发 TinyML 模型提供了一种更易于访问的方法，从而可能降低基于微控制器的 AI 应用的入门门槛。
排序理由 详细介绍用于 TinyML 模型搜索新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
