Der „3rd Workshop on Embedded Machine Learning (WEML)” fand am 13. Februar 2020 an der Universität Heidelberg statt und zog etwa 60 Teilnehmer an. Diese Workshopreihe wird gemeinsam von der Universität Heidelberg (Holger Fröning), der Technischen Universität Graz (Franz Pernkopf) und der Materials Center Leoben Forschung GmbH (Manfred Mücke) organisiert.
Diesmal standen Referenten von der Robert Bosch GmbH, XILINX Research, NEC Laboratories Europe, der Technischen Universität Graz, der Materials Center Leoben Forschung GmbH und der Universität Heidelberg auf dem Programm:
Wolfgang Roth (TU Graz):
An Overview of Resource-Efficiency in Deep Learning
Günther Schindler (Universität Heidelberg):
Pruning Neural Networks for Specific Hardware
Christoph Gratl & Manfred Mücke (MCL):
Comparing three Tensorflow Options to Execute SSD MobileNet Object Detection on ARM v8 / Kunbus Rev Pi PLC
Dennis Rieber (Robert Bosch GmbH):
An Overview of ML Optimization Tools and their Underlying Concepts
Johannes Schemmel & Yannick Stradmann (Universität Heidelberg):
Deep Learning with Analog Neuromorphic Hardware
Nicholas Fraser (XILINX Research):
Brevitas: Quantization-aware Training in PyTorch
Mathias Niepert (NEC Laboratories Europe):
An Intro To Neural Networks for Graph-Structured Data
Martin Trapp (TU Graz):
Learning Sum-Product Networks
Alex Fuchs (TU Graz):
Opportunities and Obstacles in Capsule Networks
Die Teilnehmer nutzten den Workshops zu diversen Diskussionen und konnten einige Trends beobachten. Insbesondere sind sich die TeilnehmerInnen über eine zunehmende Kluft zwischen Machine Learning (ML)-Anwendung und Hardware-Fähigkeiten einig, wobei konvolutionale neuronale Netze (engl. convolutional neural networks = CNNs) als Best-Case-Szenario gelten, da "Beyond-CNN"-Modelle die Anforderungen in Bezug auf Struktur und Rechenintensität erheblich steigern werden.
In dieser Hinsicht ist es auch keine Überraschung, dass ML und seine Infrastruktur im Trend liegen, auch wenn die Laufleistung mit den vorhandenen Werkzeugen dramatisch variieren kann.
Weiter Informationen zum Workshop und zu den einzelnen Vorträgen können Sie unter https://www.deepchip.org/weml2020 nachlesen.