图像分类、目标检测和图像分割是基于深度学习的计算机视觉三大核心任务。三大任务之间明显存在着一种递进的层级关系，图像分类聚焦于整张图像，目标检测定位于图像具体区域，而图像分割则是细化到每一个像素。基于深度学习的图像分割具体包括语义 ...

图 2：处理器功能和执行模型。（图源：论文） 执行任务子集时，对于线性和卷积模型，尤其是 ResNet18，即使数据集复杂性增加，也能达到与数字 FP32 平台相当的精度水平；对于分类任务，光子处理器始终表现良好，而处理回归任务时的性能略有下降。 这项工作 ...

其中在分类任务 ResNet18 等模型上表现出与数字平台相当的分类准确率；在回归任务（如 SQuAD）中，由于光子计算的噪声敏感性，该处理器的性能略有 ...

通过 Dirichlet 分布生成异质数据，模拟 PIoT 客户端的数据情况。在模型训练方面，采用了如 MobileNetV2、ResNet18 和 DenseNet121 等模型，并运用 Adam 优化器和交叉熵损失函数进行训练。同时，Cedar 框架通过实施不对称和分层模型上传更新机制，保障了训练的安全和高效。