動態分配多任務資源的移動端深度學習框架

與雲相比，移動系統受計算資源限制。然而衆所周知，深度學習模型需要大量資源 。爲使設備端深度學習成爲可能，應用程序開發者常用的技術之一是壓縮深度學習模型以降低其資源需求，但準確率會有所損失。儘管該技術非常受歡迎，而且已被用於開發最先進的移動深度學習系統，但它有一個重大缺陷：由於應用程序開發者獨立開發自己的應用，壓縮模型的資源-準確率權衡在應用開發階段的靜態資源預算的基礎上就被預先確定了，在應用部署後

>>阅读原文<<