Oct, 2018

AI 基准测试：在 Android 智能手机上运行深度神经网络

PDF
TL;DR本文研究了 Android 生态系统中深度学习的现状及其在智能手机上的限制，同时概述了四个主要移动芯片平台（Qualcomm、HiSilicon、MediaTek 和 Samsung）上可用的硬件加速资源，并介绍了利用 AI 基准测试收集的不同移动 SoCs 的实际性能结果。
mobile devicesdeep learningandroid ecosystemsmartphonehardware acceleration
发现论文，激发创造
  • 2019 年智能手机上深度学习的 AI 基准测试

    本文评估了高通、海思、三星、联发科和紫光展锐提供的 AI 推理硬件加速的所有芯片组的性能，并比较了它们的结果。同时，我们还讨论了 Android ML 流水线的最近变化，并提供了在移动设备上部署深度学习模型的概述。

    Oct, 2019

  • 移动设备上的深度学习 - 综述

    本文综述了移动设备上深度学习的研究进展，包括算法、硬件架构、感知模态等技术的最新发展，以及对应的工具、应用和挑战。

    Mar, 2019

  • 智能手机上的深度学习应用程序初探

    本研究通过针对 16,500 款最热门的 Android 应用程序的统计分析揭示了智能手机应用程序如何在自然环境中利用深度学习。研究发现，智能手机深度学习框架和应用程序的使用呈现出一种繁荣的趋势，但是仍需优化手机上运行的深度学习模型，保护这些模型并验证深度学习研究的想法。

    Nov, 2018

  • 使用移动 GPU 进行设备端神经网络推断

    本文介绍了如何利用手机上普遍存在的 GPU 加速器，在 Android 和 iOS 设备上实现深度神经网络的实时推断，并将其集成到开源项目 TensorFlow Lite 中。

    Jul, 2019

  • CNNdroid：在安卓上利用 GPU 加速执行已训练的深度卷积神经网络

    介绍了一个基于 GPU 加速的开源库 CNNdroid，可以在 Android 设备上执行训练好的深度卷积神经网络，并实现了高达 60 倍的加速和 130 倍的能量节省。

    Nov, 2015

  • EmBench：量化现代通用设备上深度神经网络的性能变化

    该研究使用各种普通设备系统地评估了一系列最先进的 DNN，识别了每种架构的潜在瓶颈，并提供了可以帮助社区协同设计更高效的 DNN 和加速器的重要指导方针。

    May, 2019

  • 移动设备上的深度学习：方法、系统和应用

    本文概述了高效深度学习的方法、系统和应用，包括流行的模型压缩方法、自动化模型设计和用户自定义的基于设备的训练，以及各种针对特定任务和空间 - 时间冗余的加速技术和系统设计。

    Apr, 2022

  • 朝着真正的智能应用程序：研究智能手机内置 AI 应用程序中的人工智能交互

    本研究探索手机应用程序中的人工智能功能使用现状，总结了三种主要的交互模式类型，并实施了一个多方面的搜索启用画廊，研究结果表明了我们发现的有用性。

    Jul, 2023

  • 基于人工智能的移动应用程序：一项探索性研究

    本文通过数据集分析、关键问题定位和用户反馈与隐私保护等多方面对 56682 款 AI 应用进行了研究，揭示了其中的不足之处，如模型保护不足，用户隐私数据泄露等，还提供了数据集以供未来研究引用。

    Dec, 2022

  • 面向协作智能友好的深度学习架构

    本文提出了一种新的协作智能友好型架构，通过将移动设备上计算的中间特征卸载到云端以降低需要发送到云端的数据量，使得在 ResNet-50 模型上，相比现有的云端计算方法，端到端延迟和移动能耗分别平均提高了 53 倍和 68 倍，而精度损失不到 2%。

    Feb, 2019