推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

面向存算一体芯片的模拟计算阵列中存算一体芯片的存算一体芯片在边缘联邦学习中的部署优化.docx

资料介绍

面向存算一体芯片的模拟计算阵列中存算一体芯片的存算一体芯片在边缘联邦学习中的部署优化

摘要

联邦学习通过在多个边缘设备上本地训练模型、仅共享模型更新的方式,在保护数据隐私的同时实现了协同学习。然而,边缘设备的计算和存储资源有限,传统的联邦学习方案在边缘端部署时面临模型体积大、训练功耗高和通信开销大等挑战。存算一体芯片的高能效特性和非易失性存储能力,使其成为边缘联邦学习的理想硬件平台。本文针对存算一体芯片在边缘联邦学习中的部署优化,提出了面向非易失存算一体芯片的本地训练加速方案和梯度压缩通信策略,将边缘端训练功耗降低80%,通信开销降低90%。

一、边缘联邦学习的挑战

1.1 边缘设备的资源约束

边缘设备(如智能手机、IoT传感器、智能摄像头)的计算和存储资源极为有限。典型边缘设备的CPU算力为1-10GOPS,内存为256MB-2GB,电池容量为1000-5000mAh。在联邦学习场景中,需要在边缘设备上执行完整的模型训练流程——包括前向传播、反向传播和梯度更新——这对资源有限的边缘设备构成了巨大挑战。训练一个中等规模模型(如MobileNet-V2)在边缘设备上需要数小时,功耗可达数瓦,远超边缘设备的功耗预算。

1.2 通信开销

联邦学习中,边缘设备需要将模型更新(梯度或权重增量)上传到中央服务器,服务器将多个设备的更新聚合后分发回各设备。当模型参数量为P时,每轮通信的上下行数据量均为2P。对于MobileNet-V2(约350万参数),每轮通信量为14MB,在WiFi网络下需要约0.1秒。对于100个边缘设备的联邦学习系统,服务器的聚合带宽需求为1.4GB/s,在物联网场景中,通信带宽和延迟是主要瓶颈。


部分文件列表

文件名 大小
面向存算一体芯片的模拟计算阵列中存算一体芯片的存算一体芯片在边缘联邦学习中的部署优化.docx 38K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单
  • 21下载积分 打赏60.00元   3天前

    用户:gsy幸运

  • 21下载积分 打赏70.00元   3天前

    用户:铁蛋锅

  • 21下载积分 打赏65.00元   3天前

    用户:xzxbybd

  • 21下载积分 打赏60.00元   3天前

    用户:jh0355

  • 21下载积分 打赏60.00元   3天前

    用户:w178191520

  • 21下载积分 打赏20.00元   3天前

    用户:jh03551

  • 21下载积分 打赏20.00元   3天前

    用户:sun2152

  • 21下载积分 打赏20.00元   3天前

    用户:kk1957135547

  • 21下载积分 打赏25.00元   3天前

    用户:w1966891335

  • 21下载积分 打赏20.00元   3天前

    用户:xuzhen1

  • 21下载积分 打赏15.00元   3天前

    用户:x15580286248

  • 21下载积分 打赏25.00元   3天前

    用户:pcb

  • 21下载积分 打赏20.00元   3天前

    用户:bhacker

  • 21下载积分 打赏15.00元   3天前

    用户:liqiang9090

  • 21下载积分 打赏25.00元   3天前

    用户:有理想666

  • 21下载积分 打赏15.00元   3天前

    用户:godbox

  • 21下载积分 打赏15.00元   3天前

    用户:aetek

  • 21下载积分 打赏5.00元   3天前

    用户:mulanhk

  • 21下载积分 打赏5.00元   3天前

    用户:JuneLin61

推荐下载