随笔分类 - 论文分析和复现
ConvReLU++@MobiSys'23
摘要：ConvReLU++ Reference-based Lossless Acceleration of Conv-ReLU Operations on Mobile CPU 1 核心问题 为了优化边缘设备上的 CNN 推理，我们寻求一个机会来节省 ReLU 的计算和延迟。ReLU 是一种广泛使用的
NN-Stretch@MobiSys'23
摘要：原文地址 Abstract (key idea) 现在的Mobile Devices配备了很多的CPU+GPU+DSP的设备。但是现在的大多数NN model因为自己的顺序结构导致无法充分地利用这些异构处理器。本文提出了一种新的模型适应（model adaption）策略NN-Stretch，它针对
Jestson Nano上基于openvino推理
摘要：intel NCS2计算棒是由openvino支持的，但是目前openvino只有2022.3.1版本支持NCS2了，之后的版本都不支持计算棒了。 本文记录一下再NVIDIA Jetson Nano上用openvino实现NCS2的调用。 通过交叉编译openvino samples，通过bench
zTT@MobiSys '21
摘要：这篇工作还是做的是一个DVFS技术，来动态调整CPU/GPU的电压和频率，达到节能、控温。 1. introduction 传统的DVFS技术主要停留在操作系统内核层面，与应用程序无关。但是不同的应用的需求决定了它们的最佳的CPU,GPU的功耗分布。 一些DVFS无法摆脱过热的问题。这里举例（图1）
GearDVFS@Mobicom '23
摘要：1.1 introduction 传统的DVFS的解决方案现在变成了次优解，因为没考虑到工作负载的特性。zTT提到了。 最近的面向应用的(application-oriented)的研究，通过给定应用的工作负载的上下文来学习和预测合适处理器频率。很难广泛应用开来。 现在手机的多任务情况越来越多，面向
为Mobile而生的Backbone
摘要：## 1 [MobileOne](https://arxiv.org/pdf/2206.04040.pdf) ### 1.1 重要分析(Insight) 1. 作者为了找到**端侧推理时模型架构中的瓶颈部分**，它基于CoreML在iPhone上进行了延迟测试。 2. 经过测试，作者认为对于移动设备
