32、SensorNet：低功耗教育神经网络框架解析

最新推荐文章于 2025-11-15 12:06:15 发布

职场萌新987

最新推荐文章于 2025-11-15 12:06:15 发布

阅读量27

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习实战指南：从理论到应用文章标签： SensorNet 低功耗神经网络教育神经网络框架

本文链接：https://blog.youkuaiyun.com/go5gopher/article/details/149382401

机器学习实战指南：从理论到应用专栏收录该内容

40 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

SensorNet：低功耗教育神经网络框架解析

1. SensorNet优化与复杂度降低

1.1 滤波器形状对检测精度的影响

在一些案例研究中，如身体活动监测、独立双模式舌驱动系统（sdTDS）和压力检测，改变第一层卷积层的滤波器形状，分别设置为M × 5、5 × 5、3 × 3和1 × 5。结果表明，M × 5的滤波器尺寸相比其他尺寸能提供更好的检测精度。对于输入通道较多的数据集，选择M × 5的滤波器尺寸能获得更高的精度，因为小尺寸滤波器在小数据集中可以覆盖大部分输入通道，但在输入通道多的数据集中则难以做到。

1.2 零填充的影响

在身体活动监测、dTDS和压力检测的案例研究中，探究了第一层卷积层输入数据零填充对检测精度的影响。输入零填充使卷积层的输出与输入相似或相同。结果显示，零填充有助于提高检测精度，在身体活动监测、sdTDS和压力检测案例中，检测精度分别提高了4.6%、3.4%和3.8%。然而，它也会使总内存需求和操作数量平均分别增加9倍和40倍，这对功耗产生负面影响。因此，硬件上实现的是没有零填充的SensorNet。