色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

云計(jì)算、AI與邊緣計(jì)算的三方面結(jié)合與優(yōu)化

如意 ? 來(lái)源: 邊緣計(jì)算之家 ? 作者: 邊緣計(jì)算之家 ? 2020-07-05 10:07 ? 次閱讀

在面向物聯(lián)網(wǎng)、大流量等場(chǎng)景下,為了滿足更廣連接、更低時(shí)延、更好控制等需求,云計(jì)算在向一種更加全局化的分布式節(jié)點(diǎn)組合形態(tài)進(jìn)階,邊緣計(jì)算是其向邊緣側(cè)分布式拓展的新觸角。

以物聯(lián)網(wǎng)場(chǎng)景舉例,設(shè)備產(chǎn)生大量數(shù)據(jù),上傳到云端進(jìn)行處理,會(huì)對(duì)云端造成巨大壓力,為分擔(dān)云端的壓力,邊緣計(jì)算節(jié)點(diǎn)可以負(fù)責(zé)自己范圍內(nèi)的數(shù)據(jù)計(jì)算。

同時(shí),經(jīng)過(guò)處理的數(shù)據(jù)從邊緣節(jié)點(diǎn)匯聚到中心云,云計(jì)算做大數(shù)據(jù)分析挖掘、數(shù)據(jù)共享,同時(shí)進(jìn)行算法模型的訓(xùn)練和升級(jí),升級(jí)后的算法推送到邊緣,使邊緣設(shè)備更新和升級(jí),完成自主學(xué)習(xí)閉環(huán)。

對(duì)于邊緣AI總體來(lái)說(shuō),核心訴求是高性能、低成本、高靈活性。其技術(shù)發(fā)展趨勢(shì)可總結(jié)為以下幾點(diǎn):

編程性、通用性;

伸縮性,同一個(gè)架構(gòu)支持不同場(chǎng)景

低功耗,適應(yīng)更多邊緣場(chǎng)景的環(huán)境和電力要求

軟硬件深度結(jié)合

高效的分布式互聯(lián)和協(xié)作計(jì)算能力

筆者分別從邊緣計(jì)算AI加速、端/邊/云協(xié)同以及邊緣計(jì)算AI框架等三個(gè)部分繼續(xù)深入剖析AI應(yīng)用與邊緣計(jì)算結(jié)合之后的雙向優(yōu)化,進(jìn)一步優(yōu)化AI應(yīng)用的用戶體驗(yàn)。

邊緣計(jì)算AI加速

針對(duì)基于邊緣計(jì)算場(chǎng)景進(jìn)行AI加速,筆者參考相關(guān)論文認(rèn)為大致可歸結(jié)為以下四個(gè)方面:

云邊協(xié)同(云端訓(xùn)練、邊緣推理)

為彌補(bǔ)邊緣設(shè)備計(jì)算、存儲(chǔ)等能力的不足,滿足人工智能方法訓(xùn)練過(guò)程中對(duì)強(qiáng)大計(jì)算能力、存儲(chǔ)能力的需求,研究人員提出云計(jì)算和邊緣計(jì)算協(xié)同服務(wù)架構(gòu)。如下圖所示,研究人員提出將訓(xùn)練過(guò)程部署在云端,而將訓(xùn)練好的模型部署在邊緣設(shè)備。顯然,這種服務(wù)模型能夠在一定程度上彌補(bǔ)人工智能在邊緣設(shè)備上對(duì)計(jì)算、存儲(chǔ)等能力的需求。

模型分割(云邊協(xié)同推理)

為了將人工智能方法部署在邊緣設(shè)備,如下圖提出了切割訓(xùn)練模型,它是一種邊緣服務(wù)器和終端設(shè)備協(xié)同訓(xùn)練的方法。它將計(jì)算量大的計(jì)算任務(wù)卸載到邊緣端服務(wù)器進(jìn)行計(jì)算,而計(jì)算量小的計(jì)算任務(wù)則保留在終端設(shè)備本地進(jìn)行計(jì)算。顯然,上述終端設(shè)備與邊緣服務(wù)器協(xié)同推斷的方法能有效地降低深度學(xué)習(xí)模型的推斷時(shí)延。然而,不同的模型切分點(diǎn)將導(dǎo)致不同的計(jì)算時(shí)間,因此需要選擇最佳的模型切分點(diǎn),以最大化地發(fā)揮終端與邊緣協(xié)同的優(yōu)勢(shì)。

模型裁剪

為了減少人工智能方法對(duì)計(jì)算、存儲(chǔ)等能力的需求,一些研究人員提出了一系列的技術(shù),在不影響準(zhǔn)確度的情況下裁剪訓(xùn)練模型,如在訓(xùn)練過(guò)程中丟棄非必要數(shù)據(jù)、稀疏數(shù)據(jù)表示、稀疏代價(jià)函數(shù)等。下圖展示了一個(gè)裁剪的多層感知網(wǎng)絡(luò),網(wǎng)絡(luò)中許多神經(jīng)元的值為零,這些神經(jīng)元在計(jì)算過(guò)程中不起作用,因而可以將其移除,以減少訓(xùn)練過(guò)程中對(duì)計(jì)算和存儲(chǔ)的需求,盡可能使訓(xùn)練過(guò)程在邊緣設(shè)備進(jìn)行。在參考文獻(xiàn)中,作者也提出了一些壓縮、裁剪技巧,能夠在幾乎不影響準(zhǔn)確度的情況下極大地減少網(wǎng)絡(luò)神經(jīng)元的個(gè)數(shù)。

設(shè)計(jì)輕量級(jí)加速體系架構(gòu)

工業(yè)界,有很多公司開(kāi)始研究低功耗加速芯片。如寒武紀(jì)公司推出的思元系列及華為公司推出的昇騰系列,能夠適配并兼容多樣化的硬件架構(gòu),進(jìn)而支撐邊緣計(jì)算典型的應(yīng)用場(chǎng)景。

在學(xué)術(shù)界,對(duì)于邊緣AI硬件的設(shè)計(jì)工作主要集中在提高深度神經(jīng)網(wǎng)絡(luò)及相關(guān)算法如CNN、FCN和RNN等的計(jì)算性能和效率。研究人員利用神經(jīng)網(wǎng)絡(luò)的冗余和彈性等特性來(lái)優(yōu)化計(jì)算操作和數(shù)據(jù)移動(dòng),以降低NN算法在專用硬件上的功耗并提高性能。

AI在過(guò)去幾年中,為互聯(lián)網(wǎng)應(yīng)用、工業(yè)互聯(lián)網(wǎng)、醫(yī)學(xué)和生物學(xué)及自動(dòng)駕駛等領(lǐng)域帶來(lái)了突飛猛進(jìn)的進(jìn)展。同時(shí),隨著邊緣計(jì)算的逐步成熟,業(yè)界必將更加關(guān)注邊緣計(jì)算AI加速方面的研究進(jìn)展。

由于邊緣計(jì)算場(chǎng)景的特點(diǎn),其硬件的異構(gòu)化程度會(huì)顯著高于傳統(tǒng)數(shù)據(jù)中心,對(duì)現(xiàn)有計(jì)算框架也會(huì)有非常大的挑戰(zhàn)。如何快速支持異構(gòu)的計(jì)算芯片并保證計(jì)算的高效,也非常值得產(chǎn)業(yè)內(nèi)的研發(fā)力量持續(xù)投入。

端/邊/云協(xié)同

資源協(xié)同

對(duì)于邊緣計(jì)算,需要對(duì)計(jì)算資源和網(wǎng)絡(luò)資源有全局的判斷,比如邊緣設(shè)備、邊緣節(jié)點(diǎn)及中心云資源的使用情況,站在全局角度,進(jìn)行資源的合理分配,確保性能、成本、服務(wù)最優(yōu)。

數(shù)據(jù)協(xié)同

邊緣AI會(huì)處理用戶的數(shù)據(jù),可以從兩個(gè)維度來(lái)考慮。

一方面,橫向考慮,邊緣的網(wǎng)絡(luò)環(huán)境多種多樣,終端用戶設(shè)備具有移動(dòng)性,可能會(huì)從一個(gè)服務(wù)節(jié)點(diǎn)移動(dòng)到另一個(gè)服務(wù)節(jié)點(diǎn),從一個(gè)邊緣移動(dòng)到另一個(gè)邊緣,從WiFi切換為5G移動(dòng)網(wǎng)絡(luò),甚至從一個(gè)運(yùn)營(yíng)商切換到另一個(gè)運(yùn)營(yíng)商,那么用戶在舊的環(huán)境中產(chǎn)生的數(shù)據(jù)如何與新環(huán)境中的AI程序進(jìn)行同步會(huì)成為一個(gè)問(wèn)題。這里的數(shù)據(jù)協(xié)同不僅需要技術(shù)上的支持,更需要商業(yè)模式上的支持。

另一方面,縱向考慮,如下圖所示,用戶在邊緣側(cè)產(chǎn)生的數(shù)據(jù)按照隱私級(jí)別可以分為不同類(lèi)型,如User-Private、Edge-Private、Public等,這些數(shù)據(jù)可以自下而上分層儲(chǔ)存在云邊協(xié)同系統(tǒng)中的不同層級(jí)的數(shù)據(jù)庫(kù)中,同時(shí)也可以對(duì)應(yīng)不同算力支持的邊緣AI的訪問(wèn)權(quán)限,例如可以允許云上運(yùn)行的AI程序讀取Public數(shù)據(jù)來(lái)訓(xùn)練一個(gè)通用的模型,在邊緣側(cè)的AI可以讀取Edge-Private數(shù)據(jù)來(lái)在通用模型的基礎(chǔ)上訓(xùn)練邊緣模型等等。

算力協(xié)同

通過(guò)合理的模型拆解,將不同的服務(wù)模型根據(jù)資源、成本、質(zhì)量、時(shí)延等要求部署在合適的位置。通過(guò)完成的協(xié)同計(jì)算框架,確保各子模型之間的協(xié)同處理。比如結(jié)合產(chǎn)品設(shè)計(jì),我們可以將簡(jiǎn)單的識(shí)別推理全部置于端側(cè)設(shè)備,如需要判斷視頻中的物體屬于動(dòng)物還是植物等。

但是進(jìn)一步的識(shí)別功能,我們可以結(jié)合邊緣側(cè)的推理能力,識(shí)別動(dòng)物為貓科動(dòng)物或犬科動(dòng)物等。如果用戶需要更加精細(xì)的識(shí)別,我們可以將邊緣側(cè)的識(shí)別結(jié)果及處理之后得到的特征數(shù)據(jù)發(fā)送至云端,結(jié)合云端完善的數(shù)據(jù)模型和知識(shí)體系,將該貓科動(dòng)物判定為是東北虎還是華南虎。這樣通過(guò)端、邊、云三者的協(xié)同,能夠在極大保證用戶體驗(yàn)的同時(shí),合理的使用各類(lèi)資源。

合理利用算力協(xié)同,也能夠做到在邊緣側(cè)進(jìn)行訓(xùn)練。目前工業(yè)界還沒(méi)有成熟的模式,但學(xué)術(shù)界有相關(guān)的研究。如下圖所示的ICE智能協(xié)同計(jì)算框架,將邊緣AI的訓(xùn)練分為三個(gè)階段:

第一階段為預(yù)訓(xùn)練階段(pre-train),云上的應(yīng)用可以通過(guò)讀取云端存儲(chǔ)的公共數(shù)據(jù),來(lái)訓(xùn)練一個(gè)通用的模型,這是邊緣AI的底座,如果沒(méi)有云端強(qiáng)大算力的幫助,只靠邊緣側(cè)算力是難以得到比云端訓(xùn)練更優(yōu)秀的AI模型。

第二階段將通用模型下發(fā)至邊緣側(cè),讀取邊緣私有數(shù)據(jù),通過(guò)轉(zhuǎn)移學(xué)習(xí)(Transfer Learning),來(lái)得到邊緣模型。

第三階段讀取增量數(shù)據(jù),利用增量學(xué)習(xí)(Incremental Learning)生成最終邊緣模型,這個(gè)最終邊緣模型就可以用于用戶側(cè)的推理了。

這種三步學(xué)習(xí)的算力協(xié)同的模式,可以更好地滿足邊緣智能的個(gè)性化服務(wù)需求。

通過(guò)資源協(xié)同、算力協(xié)同以及數(shù)據(jù)協(xié)同,邊緣智能能夠高效合理的利用端、邊、云的各類(lèi)資源,極大地優(yōu)化AI應(yīng)用在邊緣計(jì)算場(chǎng)景下的用戶體驗(yàn),進(jìn)一步放大AI應(yīng)用的商業(yè)價(jià)值。

邊緣計(jì)算AI計(jì)算框架

在云數(shù)據(jù)中心中,算法執(zhí)行框架更多地執(zhí)行模型訓(xùn)練任務(wù),在訓(xùn)練過(guò)程中需要接收大規(guī)模、批量化的信息數(shù)據(jù),比較關(guān)注訓(xùn)練的迭代速度和收斂率等。而在邊緣設(shè)備上更多的是執(zhí)行預(yù)測(cè)任務(wù),輸入一般是實(shí)時(shí)的小規(guī)模數(shù)據(jù),大多數(shù)場(chǎng)景下執(zhí)行預(yù)測(cè)任務(wù),因此更加關(guān)注于預(yù)測(cè)算法執(zhí)行速度及端側(cè)或邊緣側(cè)的資源開(kāi)銷(xiāo)。

目前業(yè)界針對(duì)邊緣計(jì)算場(chǎng)景,也提出了針對(duì)性的設(shè)計(jì)方案,例如用于移動(dòng)設(shè)備或嵌入式設(shè)備的輕量級(jí)解決方案TensorFlow Lite,Caffe2和Pytorch等。

TensorFlow Lite

TensorFlow Lite 提供了轉(zhuǎn)換 TensorFlow 模型,并在移動(dòng)端(mobile)、嵌入式(embeded)和物聯(lián)網(wǎng)(IoT)設(shè)備上運(yùn)行 TensorFlow 模型所需的所有工具。

特點(diǎn):

只含推理(inference)功能,使用的模型文件需要通過(guò)離線的方式訓(xùn)練得到。

最終生成的模型文件較小,均小于500kB。

為了提升執(zhí)行速度,都使用了ARM NEON指令進(jìn)行加速。

支持跨平臺(tái),包括LinuxAndroidiOs

Caffe2

Caffe2 是一個(gè)兼具表現(xiàn)力、速度和模塊性的深度學(xué)習(xí)框架,是 Caffe 的實(shí)驗(yàn)性重構(gòu),能以更靈活的方式組織計(jì)算。Caffe2可幫助開(kāi)發(fā)人員和研究人員 訓(xùn)練大規(guī)模機(jī)器學(xué)習(xí)模型,并在移動(dòng)應(yīng)用中提供 AI 驅(qū)動(dòng)的用戶體驗(yàn)。現(xiàn)在,開(kāi)發(fā)人員可以獲取許多相同的工具,能夠在大規(guī)模分布式場(chǎng)景訓(xùn)練模型,并為移動(dòng)設(shè)備創(chuàng)建機(jī)器學(xué)習(xí)應(yīng)用。

特點(diǎn):

可以在iOS系統(tǒng)、Android系統(tǒng)和樹(shù)莓派(Raspberry Pi)上訓(xùn)練和部署模型;

使用比較簡(jiǎn)單,只需要運(yùn)行幾行代碼即可調(diào)用Caffe2中預(yù)先訓(xùn)練好的Model Zoo模型;

NVIDIA(英偉達(dá)),Qualcomm(高通),Intel英特爾),Amazon(亞馬遜)和Microsoft(微軟)等公司的云平臺(tái)都已支持Caffe2;

PyTorch

PyTorch 是最新的深度學(xué)習(xí)框架之一,由 Facebook 的團(tuán)隊(duì)開(kāi)發(fā),并于 2017 年在 GitHub 上開(kāi)源。PyTorch 很簡(jiǎn)潔、易于使用、支持動(dòng)態(tài)計(jì)算圖而且內(nèi)存使用很高效,因此越來(lái)越受歡迎。

特點(diǎn):

改進(jìn)現(xiàn)有的神經(jīng)網(wǎng)絡(luò),提供了更快速的方法——不需要從頭重新構(gòu)建整個(gè)網(wǎng)絡(luò),這是由于 PyTorch 采用了動(dòng)態(tài)計(jì)算圖(dynamic computational graph)結(jié)構(gòu),而不是大多數(shù)開(kāi)源框架(TensorFlow、Caffe、CNTK、Theano 等)采用的靜態(tài)計(jì)算圖;

強(qiáng)大的社區(qū)支持,facebook的FAIR強(qiáng)力支持,F(xiàn)AIR是全球TOP3的AI研究機(jī)構(gòu)。PyTorch論壇,文檔,tutorial,一應(yīng)俱全。FAIR的幾位工程師更是全職維護(hù)開(kāi)發(fā),github上PyTorch每天都有許多pull request和討論。

支持iOS系統(tǒng)、Android系統(tǒng)運(yùn)行

這些邊緣AI執(zhí)行框架通過(guò)優(yōu)化移動(dòng)應(yīng)用程序內(nèi)核、預(yù)先激活和量化內(nèi)核等方法來(lái)減少執(zhí)行預(yù)測(cè)任務(wù)的延遲和內(nèi)存占用量。

此外,邊緣計(jì)算在AI訓(xùn)練提速、安全信息預(yù)處理、邊云一體的AI算法上仍處于起步階段。設(shè)計(jì)面向輕量級(jí)、高效和可擴(kuò)展的邊緣計(jì)算AI框架是實(shí)現(xiàn)邊緣智能,極大拓展更多邊緣AI場(chǎng)景落地的重要步驟。

結(jié)語(yǔ)

AI和邊緣計(jì)算已獲得國(guó)內(nèi)外學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注和認(rèn)可,并且已經(jīng)在很多商業(yè)場(chǎng)景下發(fā)揮作用。將AI應(yīng)用部署至邊緣已成為提升智能服務(wù)的有效途徑。

盡管目前邊緣智能仍處于發(fā)展的初期,然而,筆者相信,邊緣智能夠產(chǎn)生極大的促進(jìn)效果,并成為各行各業(yè)的黏合劑和智能產(chǎn)業(yè)發(fā)展的催化劑,促進(jìn)多個(gè)行業(yè)的升級(jí)轉(zhuǎn)型。

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 云計(jì)算
    +關(guān)注

    關(guān)注

    39

    文章

    7852

    瀏覽量

    137683
  • AI
    AI
    +關(guān)注

    關(guān)注

    87

    文章

    31429

    瀏覽量

    269826
  • 邊緣計(jì)算
    +關(guān)注

    關(guān)注

    22

    文章

    3118

    瀏覽量

    49310
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    emulation和計(jì)算結(jié)合應(yīng)用前景

    Emulation(仿真)和計(jì)算結(jié)合應(yīng)用前景廣闊,主要體現(xiàn)在以下幾個(gè)方面: 一、提升仿真精度與效率
    的頭像 發(fā)表于 12-05 17:10 ?405次閱讀

    機(jī)智榮登2024邊緣計(jì)算TOP100榜單

    近日,德本咨詢、互聯(lián)網(wǎng)周刊與中國(guó)社會(huì)科學(xué)院信息化研究中心聯(lián)合發(fā)布了“2024邊緣計(jì)算TOP100”榜單,機(jī)智GEMS邊緣計(jì)算管理系統(tǒng)成功入
    的頭像 發(fā)表于 11-19 09:41 ?267次閱讀

    研華科技邊緣AI平臺(tái)榮獲2024年IoT邊緣計(jì)算卓越獎(jiǎng)

    的 2024 年物聯(lián)網(wǎng)邊緣計(jì)算卓越獎(jiǎng)。研華提供全棧式AI應(yīng)用產(chǎn)品,以滿足從邊緣的工業(yè) AI
    的頭像 發(fā)表于 11-07 18:11 ?516次閱讀

    Orin芯片與邊緣計(jì)算結(jié)合

    Orin芯片,作為英偉達(dá)推出的一款高性能AI處理器,與邊緣計(jì)算結(jié)合,無(wú)疑將為智能計(jì)算領(lǐng)域帶來(lái)革命性的變化。 一、Orin芯片的創(chuàng)新特點(diǎn) O
    的頭像 發(fā)表于 10-27 16:51 ?823次閱讀

    邊緣計(jì)算的未來(lái)發(fā)展趨勢(shì)

    的網(wǎng)絡(luò)環(huán)境。未來(lái),邊緣計(jì)算將與5G技術(shù)進(jìn)一步融合,推動(dòng)更多創(chuàng)新應(yīng)用的落地。 同時(shí),邊緣計(jì)算與人工智能(AI)技術(shù)的
    的頭像 發(fā)表于 10-24 14:21 ?1071次閱讀

    邊緣計(jì)算計(jì)算的區(qū)別

    邊緣計(jì)算計(jì)算是兩種不同的計(jì)算模式,它們?cè)?b class='flag-5'>計(jì)算資源的分布、應(yīng)用場(chǎng)景和特點(diǎn)上存在顯著差異。以下是
    的頭像 發(fā)表于 10-24 14:08 ?501次閱讀

    計(jì)算邊緣計(jì)算結(jié)合

    計(jì)算邊緣計(jì)算結(jié)合是當(dāng)前信息技術(shù)發(fā)展的重要趨勢(shì),這種結(jié)合能夠充分發(fā)揮兩者的優(yōu)勢(shì),實(shí)現(xiàn)更高效、
    的頭像 發(fā)表于 10-24 09:19 ?666次閱讀

    AI平臺(tái)與傳統(tǒng)計(jì)算的區(qū)別

    AI平臺(tái)與傳統(tǒng)計(jì)算在定義、技術(shù)架構(gòu)、應(yīng)用場(chǎng)景和服務(wù)模式等方面存在顯著差異。
    的頭像 發(fā)表于 10-14 10:08 ?415次閱讀

    人工智能計(jì)算是什么

    人工智能計(jì)算,簡(jiǎn)而言之,是指將人工智能技術(shù)與計(jì)算平臺(tái)相結(jié)合,利用
    的頭像 發(fā)表于 10-12 09:46 ?297次閱讀

    邊緣AI硬件技術(shù)、算法、平臺(tái)正在不斷創(chuàng)新/升級(jí)優(yōu)化

    依賴于集中式計(jì)算設(shè)施或異地?cái)?shù)據(jù)中心。 邊緣AI 發(fā)展歷程 ? 邊緣AI可以廣泛應(yīng)用于各種行業(yè)和
    的頭像 發(fā)表于 06-05 00:09 ?2769次閱讀

    為什么需要邊緣計(jì)算

    邊緣計(jì)算是指在網(wǎng)絡(luò)邊緣執(zhí)行計(jì)算的一種新型計(jì)算模型,邊緣計(jì)算
    發(fā)表于 02-28 14:20 ?532次閱讀
    為什么需要<b class='flag-5'>邊緣</b><b class='flag-5'>計(jì)算</b>

    邊緣計(jì)算計(jì)算:有什么區(qū)別?

    邊緣計(jì)算計(jì)算是兩種不同的計(jì)算范式,它們有不同的用途,但在某些場(chǎng)景下也可以相互補(bǔ)充。在當(dāng)今日益數(shù)字化的世界中,對(duì)
    的頭像 發(fā)表于 02-19 13:26 ?562次閱讀
    <b class='flag-5'>邊緣</b><b class='flag-5'>計(jì)算</b>與<b class='flag-5'>云</b><b class='flag-5'>計(jì)算</b>:有什么區(qū)別?

    現(xiàn)在常說(shuō)的邊緣計(jì)算計(jì)算有什么不同?

    現(xiàn)在常說(shuō)的邊緣計(jì)算計(jì)算有什么不同? 邊緣計(jì)算
    的頭像 發(fā)表于 02-06 14:38 ?705次閱讀

    邊緣計(jì)算分為哪種類(lèi)型?邊緣計(jì)算這項(xiàng)技術(shù)可以應(yīng)用在哪些領(lǐng)域?

    邊緣計(jì)算分為哪種類(lèi)型?邊緣計(jì)算這項(xiàng)技術(shù)可以應(yīng)用在哪些領(lǐng)域? 邊緣
    的頭像 發(fā)表于 02-06 14:38 ?1531次閱讀

    什么是AI邊緣計(jì)算AI邊緣計(jì)算的特點(diǎn)和優(yōu)勢(shì)介紹

    隨著人工智能的迅猛發(fā)展,AI邊緣計(jì)算成為了熱門(mén)話題。那么什么是AI邊緣計(jì)算呢?簡(jiǎn)單來(lái)說(shuō),它是將人
    的頭像 發(fā)表于 02-01 11:42 ?956次閱讀
    主站蜘蛛池模板: 国产精品私人玩物在线观看| 精品无码乱码AV| 大胸美女被C得嗷嗷叫动态图| 99久久精品国产自免费| 99婷婷久久精品国产一区二区| 北原多香子qvod| 国产成人精品视频播放| 国产免费阿v精品视频网址| 国产午夜在线精品三级a午夜电影| 国内精品日本久久久久影院| 久久精品中文字幕| 魔乳 堕乳漫画acg产卵| 日本高清免费看| 无码观看AAAAAAAA片| 亚洲成人免费观看| 又亲又揉摸下面视频免费看| 97影院理论午夜伦不卡偷 | 美女靠逼漫画| 欧美做真爱欧免费看| 双性被疯狂灌满精NP| 亚洲午夜久久久无码精品网红A片| 教室里的激情电影| 巨大乳hdbbw| 日本高清加勒比| 亚洲精品不卡在线| 主播蜜汁丝袜精品自拍| 哺乳期妇女挤奶水36d| 国产香蕉九九久久精品免费| 久久这里只有精品视频9| 日本艳妓BBW高潮一19| 亚洲另类欧美综合在线| 99久久国产视频| 国产精品伦一区二区三级视频| 久久精品WWW人人爽人人| 黄小说免费看| 免费高清在线影片一区| 熟女理发厅| 在线色av| 丰满女友bd高清在线观看| 精品国产乱码久久久久久人妻| 欧美日韩另类在线专区|