图像上的人工智能改善了现代人类生活的各个方面，并在众多应用中表现出了巨大的成功。但是，执行图像AI是昂贵的。图像AI管道需要通过网络移动重型图像文件，以便许多应用程序可以同时处理具有不同源预算和性能要求的图像。结果，数据移动主导了端到端图像AI成本。这项工作介绍了频店，这是图像的第一个列店。我们的直觉是，图像不需要一次由图像ai全部图像消耗。相反，每个图像中都有“组件”可以单独消费，因此也可以单独存储。这种分解允许在图像AI处理管道上共享数据移动，以进行培训和推理。频率商店将图像分解为列，并通过列存储图像的批次，而不是通过文件存储单个图像。它利用图像数据中的固有块和基于频率的结构，并定义了新型的列抽象。列的存储允许具有各种特征和资源需求的应用程序有效共享数据。列存储具有相似特征的数据项，允许密切的数据代表和有效的压缩。我们表明，与最先进的图像AI存储相比，频率商店的推理/训练时间最多可提高11倍，压缩比最高为2.2倍。