
27
星期二
27
星期二
今天是Gwen陪你早讀的第2498天哦!
介紹
隨着深度學習的發展,其應用場景也越發的廣泛與多樣。這些多樣化的場景往往會對實際的部署提出更加「定製化」的限制。例如,自動駕駛汽車對人體識別的精度要求肯定比圖像識別動物分類的精度要求更加嚴苛,因為二者的應用場景和錯誤預測帶來的後果截然不同。這些「定製化」帶來的差異,對於實際部署的模型在精度、速度、空間占用上有更具體的要求。在很多場景中由於部署的設備算力不強、內存較小,導致對於模型的速度和空間占用具有嚴格要求,而經過量化的模型具有速度快、空間占用小的特性,恰恰能滿足這種需求。
近年來,隨着5G、雲計算、大數據等數字技術的高速發展,同時在全球化及疫情等因素的影響下,企業數字化轉型進程加速。
在企業數字化轉型過程中,往往會產生大量數據,如果數據全部上傳到雲端進行處理,會對雲端造成巨大的壓力。為了分擔中心雲節點的壓力以及減少由於距離、傳輸等問題帶來的延遲,邊緣計算節點可以負責自己範圍內的數據計算和存儲工作。具體來看,雲端算力更高,而邊緣計算可以提供低時延,提升用戶體驗。因此,複雜的應用場景往往需要雲端和邊緣協同,各自發揮其優勢,來滿足實際業務需求。近年來由於IoT領域的快速發展,智能設備的數量呈幾何增長,既要保證中心算力能處理海量設備產生的海量數據,又要要求設備低延遲以保證用戶體驗,於是雲邊協同在IoT領域被廣泛運用,產生了許多成功業務實踐。