@techreport{oai:ipsj.ixsq.nii.ac.jp:00194505,
 author = {出口, 昌弘 and 平森, 雅裕 and 水口, 武尚},
 issue = {7},
 month = {Feb},
 note = {ディープラーニングが広く利用されはじめており，ディープラーニングを容易に実装するためのディープラーニングフレームワークがオープンソースで公開されている．従来，ディープラーニングフレームワークを用いたディープラーニングは PC 等の高性能なハードウェアで利用されていたが，近年，組み込み機器適用のための検討 ・ 開発が行われるようになってきており，組み込み機器向け CPU (SoC) に対応するフレームワークも出てきている．しかし，ディープラーニングの実現では動作させる環境に関する課題が数多く存在する．組み込み機器向けでは，メモリ使用量と，その見積もりに関する課題である．今回，組み込み機器へ学習 ・ 評価も含めた処理の適用を検討するため，CNN と手書き文字認識のデータセットである MNIST を用い上記課題の解決策について調査 ・ 評価した．この結果，演算の構成を変更することでメモリ使用量を約 11% へ削減し，組み込み機器へ適用できる可能性があることを確認した．また，CPU モードであれば PC 上でのメモリ使用量の結果が組み込み機器向けメモリ使用量の見積もりに活用可能であることを確認した．本調査 ・ 評価では，PC と組み込み機器向けハードウェアを想定した Raspberry Pi 3 model B を対象とし，ディープラーニングフレームワークは TensorFlow を用いた．},
 title = {組み込み機器適用のためのディープラーニングフレームワーク使用リソース調査と評価},
 year = {2019}
}