人工智能是一项正在定期进行广泛研究的技术。全世界的研究人员都在努力使AI的应用和实现更快，更好。多年来，人类遇到了人工智能带来的潜在突破的例子。自从人工智能诞生以来，无论是在早期发现心脏病还是在发现历史事件中，人工智能都取得了长足的进步。为了减轻日常琐事，麻省理工学院（MIT）和国立台湾大学的研究人员合作在微控制器上嵌入了深层神经网络。这意味着可以在智能可穿戴设备和家用电器中实现微芯片形式的AI，从而实现了物联网（设备）和AI的高级集成。该研究论文标题为“ MCUNet：物联网设备上的微型深度学习”。将在12月的神经信息处理系统会议上发布。研究人员希望使用这种方法来分析物联网设备传感器附近的数据，从而扩大人工智能应用的范围。由了解MCUnet的研究人员发明的设备称为MCUnet。它是一种神经网络体系结构，可以在现成的微控制器上实现ImageNet规模的深度学习。 ImageNet是一个图像数据库，每个节点由数千个图像描述。在此模型中，联合优化了深度学习设计和推理库，以消除传统微控制器的片上有限内存挑战，并减少了内存使用量。 TinyNAS是一种深度学习设计，具有两阶段神经结构搜索（NAS）方法，可以处理各种微控制器上的微小且多样化的存储约束。研究指出，TinyNAS首先自动优化搜索空间以适应较小的资源约束，然后在优化的空间中进行神经结构搜索，从而解决了这一问题。 TinyNAS通过缩放输入分辨率和模型宽度来生成不同的搜索空间，然后在搜索空间中收集满足网络需求的计算失败的分布，以评估其优先级。此外，TinyNAS依赖于搜索空间可以容纳的见解。内存限制下的故障越多，深度学习模型就越好。实验表明，优化的空间提高了NAS搜索模型的准确性。 TinyNAS可以以低的搜索成本自动处理与传统微控制器有关的各种约束，例如设备，延迟，能耗，内存等。研究人员指出，TinyEngine是一个内存高效的推理库，可消除不必要的内存开销，因此搜索空间已得到扩展，可以容纳更大的深度学习模型，并且具有更高的准确性。由于推理库基于解释并且需要额外的运行时内存，因此TinyEngine编译了一种基于代码生成器的方法，以消除内存开销并适应内存调度，而不是分层优化，以更好地减少内存使用。战略。最后，在不同级别上执行特殊的计算优化，即循环平铺，循环展开和OP融合，从而加快了推理速度。研究人员观察到，与传统的深度学习相比，MCUNet通过系统算法协同设计更好地利用了资源。研究人员得出的结论是，现有模型在基于外壳的微控制器上达到了创纪录的70.7％ImageNet精度。