Benutzer: Gast  Login
Originaltitel:
Code Optimization and Generation of Machine Learning and Driver Software for Memory-Constrained Edge Devices
Übersetzter Titel:
Code-Optimierung und Generierung von Software für Maschinelles Lernen und Gerätetreiber auf Edge-Geräten mit Begrenztem Speicher
Autor:
Stahl, Rafael Christopher
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Entwurfsautomatisierung (Prof. Schlichtmann)
Betreuer:
Mueller-Gritschneder, Daniel (Priv.-Doz. Dr.)
Gutachter:
Mueller-Gritschneder, Daniel (Priv.-Doz. Dr.); Gerstlauer, Andreas (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
ELT Elektrotechnik
Stichworte:
Code Optimization; Code Generation; Machine Learning Inference; TinyML; Extreme Edge AI; Driver Software; IoT
Übersetzte Stichworte:
Codeoptimierung; Codegenerierung; Maschinelles Lernen; TinyML; Extreme Edge AI; Gerätetreiber; IoT
TU-Systematik:
ELT 272
Kurzfassung:
This thesis contributes methods for optimization and generation of software for compact electronic edge devices, cruicial across diverse applications. Emphasizing memory constraints as pivotal factors influencing cost and power consumption, the methods presented within this thesis enhance machine learning applications, both on individual devices and within distributed scenarios. Moreover, these methods also improve driver software with memory reductions and automation.
Übersetzte Kurzfassung:
Diese Dissertation trägt Methoden zur Optimierung und Generierung von Software für kompakte elektronische Geräte bei, die in vielfältigen Anwendungen entscheidend sind. Der Schwerpunkt liegt auf der Optimierung von Speicher, da dieser Hauptfaktor für Kosten und Energieverbrauch darstellt. Optimiert und generiert werden einerseits Anwendungen im Bereich des machinellen Lernens, sowohl auf einzenen Geräten als auch in verteilten Szenarien. Zusätzlich wird auch Treibersoftware behandelt.
WWW:
https://mediatum.ub.tum.de/?id=1730282
Eingereicht am:
20.12.2023
Mündliche Prüfung:
01.08.2024
Dateigröße:
2127763 bytes
Seiten:
109
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240801-1730282-1-7
Letzte Änderung:
27.09.2024
 BibTeX