从入门到深入：移动平台模型裁剪与优化的技术探索与工程实践

AI科技大本营 · 公众号 · AI · 2019-12-25 14:46

正文

可以看到，通过机器学习技术，软件或服务的功能和体验得到了质的提升。比如，我们甚至可以通过启发式引擎智能地预测并调节云计算分布式系统的节点压力，以此改善服务的弹性和稳定性，这是多么美妙。

而对移动平台来说，越来越多的移动终端、边缘计算设备和App开始引入人工智能技术，而且对预测实时性要求高的环境也越来越依赖于离线实时机器学习，另外移动技术的普及也让边缘计算支持机器智能成为可能。

然而，开发成熟完善的机器学习系统并不简单。不同于传统计算机软件系统开发，研发机器学习系统不仅需要掌握扎实的软件开发技术、算法原理，还需要掌握纷繁复杂的数据处理原理和实践方法。

此外，机器学习系统的实际载体多种多样。一个典型的机器学习系统可以是运行在云计算平台（比如Amazon AWS）之上的实例，通过API调用的方式提供预测服务。另一种情况是，集中式提供机器学习服务固然不错，但离线机器学习计算是一项重大补充。在对实时性要求极为苛刻的生产环境中，实时的本地机器学习预测技术就显得尤为关键，如何在确保准确率的前提下，提升整体计算效率、降低系统功耗成为需要攻克的难题。

12 月 26 日20:00--21:00 ，新一期CSDN AI技术公开课 邀请到了Autodesk数据平台和计算平台资深工程师 卢誉声，他负责平台架构研发工作，工作内容涵盖大规模分布式系统的研发、数据分析处理和机器学习技术落地。

他将由浅及深，讲述移动平台模型裁剪与优化的技术探索与工程实践，让希望了解和掌握如何在实践的基础上学习机器学习技术的初学者，希望了解和学习深度学习及其在工业界应用的开发人员，从事移动平台应用程序开发、架构设计以及期望应用机器学习到移动端、嵌入式平台、可穿戴设备等的从业者，掌握学习机器学习技术所需的技术栈、学习路径和方法。

卢誉声本人著有《移动平台深度神经网络实战：原理、架构与优化》、《分布式实时处理系统：原理架构与实现》，并译有《高级C/C++编译技术》和《JavaScript编程精解（原书第2版）》等。