Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do TinyML a vestavěné AI
- Charakteristiky nasazování modelů TinyML
- Omezení v prostředích mikrokontrolérů
- Přehled vestavěných AI toolchainů
Základy optimalizace modelu
- Chápání výpočetních zaúzkostnění
- Identifikace paměťově náročných operací
- Profilace základního výkonu
Techniky kvantizace
- Strategie post-tréninkové kvantizace
- Kvantizační trénink s ohledem na model
- Posuzování kompromisů mezi přesností a zdroji
Přistřihování a komprese
- Strukturální a nestrukturální metody přistřihování
- Sdílení váh a řídkost modelu
- Kompresní algoritmy pro lehkou inferenci
Optimalizace s ohledem na hardware
- Nasazování modelů na systémech ARM Cortex-M
- Optimalizace pro DSP a rozšíření akcelerátoru
- Mapování paměti a aspekty toku dat
Porovnávání a ověřování výkonu
- Analýza latence a propustnosti
- Měření spotřeby elektřiny a energie
- Testování přesnosti a odolnosti
Pracovní postupy a nástroje nasazení
- Použití TensorFlow Lite Micro pro vestavěné nasazení
- Integrace modelů TinyML s potrubími Edge Impulse
- Testování a ladění na skutečném hardwaru
Pokročilé strategie optimalizace
- Hledání nejlepší architektury neuronových sítí pro TinyML
- Hybridní přístupy kvantizace-přistřihování
- Distilace modelu pro vestavěnou inferenci
Shrnutí a další kroky
Požadavky
- Chápání pracovních postupů strojového učení
- Zkušenosti s vestavěnými systémy nebo vývojem založeným na mikrokontrolérech
- Ovládání programování v Pythonu
Cílová skupina
- Výzkumníci AI
- Inženýři vestavěného ML
- Odborníci pracující na systémech s omezujícími faktory zdrojů pro inferenci
21 hodiny
