محققان تکنیک جدیدی به نام «WBMM» معرفی کردهاند که مشکل کندیِ پردازش در لایههای کانولوشن با کرنلهای بزرگ را حل میکند. این روش با استفاده از دستهبندی ماتریسهای پنجرهای، دسترسی به حافظه را بهینهتر کرده و باعث میشود سرعت آموزش مدلها بین ۱.۳ تا ۱.۸ برابر افزایش یابد!
نکته جذاب اینجاست که این متد بدون نیاز به سختافزار خاص، روی GPU، CPU و حتی دستگاههای لبه (Edge Devices) به خوبی کار میکند و دقت مدلهای بینایی را هم در سطوح بالایی حفظ میکند. یک گام مهم برای هوش مصنوعی سریعتر و بهینهتر! ⚡️
منبع: arXiv Machine Learning
