阅读笔记 | A Brief Introduction to Edge Computing and Deep Learning

warning: 这篇文章距离上次修改已过495天,其中的内容可能已经有所变动。
info: B. Christophe, “A Brief Introduction to Edge Computing and Deep Learning,” Nov. 28, 2020. https://medium.com/swlh/a-brief-introduction-to-edge-computing-and-deep-learning-5af8c50e2f5c (accessed Jul. 16, 2023).

这篇博文由浅入深,从边缘计算和深度学习的重要性开始论述,接着介绍了边缘计算的两个主要范式,并以COSMOS智能路口例子引出了边缘深度学习的五项基本技术,最后罗列了边缘深度学习目前存在的问题和挑战。

1.1 两个范式

范式指的是一个领域里被人们广泛接受的思想体系、理论体系或方法论。而边缘计算的两个范式就是两种实现边缘计算的理论方法体系,两者常结合使用。

  • 边缘智能:将计算负载分散到具有一定算力的终端设备
  • 智能边缘:在网络边缘增加新的基础设施提供存储与算力

1.2 五项基本技术

  • 应用框架:系统组织运行并提供服务的框架,例如智能交通检测应用。可以完整的大模型放云端、小模型放边缘、大模型拆开放云和边。
  • 学习推理:深度学习在边缘计算架构中的实际部署和推理。适当在边缘处理可以减少云端推理压力,例如完全在边缘层查找RoI和进行对象识别。
  • 计算支持:在网络架构、硬件(CPU, GPU, FPGA, ASIC)和软件方面调整边缘计算平台以支 持深度学习计算。
  • 边缘训练:在资源和隐私限制下,为分布式边缘设备的边缘智能训练 DL 模型。主要是分布式训练,如分布式随机梯度下降和联邦学习。
  • 维护管理: 深度学习在维护和管理边缘计算网络(系统)不同功 能中的应用,例如边缘缓存、计算卸载。

1.3 个人思考

  • 边缘计算的必要性:边缘计算具有缓解云端深度学习存在的传输、隐私、鲁棒性等方面的问题的作用,并非网络性能提升就可以被替代的。就算网络条件理想,达到了高带宽低时延的要求,其依然可以作为补充,使得终端不依赖云,从而使系统有一定的弹性。此外边缘计算可以减少与云的数据数据传输,可以节省成本。
  • 边缘计算与大语言模型训练:对于需要大量算力、语料,同时需要注重数据隐私的大语言模型预训练,也许可以利用云边协同计算帮助进行。边缘计算可以很好地利用边缘算力以及终端用户语料,同时数据隐私保护更是其应有之意。但建立起这样一个云边协同的大语言模型预训练系统存在诸多挑战,其必要性有待验证。
  • 边缘深度学习的实现:文章对于边缘深度学习的介绍,尤其是对于模型训练和部署方面,将计算负载在云、边和端间进行均衡,并将大DL模型拆分部署这块内容,验证了我的猜想,加深了我对边缘深度学习的理解。

添加新评论