Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Doba trvání 21 hodiny
Návrh Školení
Úvod do TinyML a vestavěného AI
- Vlastnosti nasazování modelů TinyML
- Omezení v prostředích mikrokontrolerů
- Ukázka vestavěných AI nástrojových řetězců
Základy optimalizace modelů
- Pochopení výpočetních láhev
- Identifikace operací náročných na paměť
- Základní profilace výkonu
Techniky kvantizace
- Strategie kvantizace po tréninku
- Kvantizace-aware training
- Posuzování kompromisů mezi přesností a zdroji
Ořez a komprese
- Metody strukturizovaného a nestructurizovaného ořezu
- Sdílení vah a ředění modelů
- Algoritmy komprese pro lehkou inferenci
Optimalizace s ohledem na hardwar
- Nasazování modelů na systemech ARM Cortex-M
- Optimalizace pro DSP a akcelerátory
- Zapojení paměti a úvahy o toku dat
Benchmarkování a validace
- Analýza latence a throughputu
- Měření spotřeby energie a výkonu
- Testování přesnosti a robustnosti
Pracovní toky a nástroje pro nasazení
- Používání TensorFlow Lite Micro pro vestavěné nasazení
- Integrace modelů TinyML s potrubím Edge Impulse
- Testování a ladění na skutečném hardwaru
Pokročilé strategie optimalizace
- Vyhledávání neuronových architektur pro TinyML
- Hybridní přístupy kvantizace a ořezu
- Destilace modelů pro vestavěnou inferenci
Shrnutí a další kroky
Požadavky
- Pochopení pracovních toků strojového učení
- Zkušenosti s vestavěnými systémy nebo vývojem založeným na mikrokontrolerech
- Znalost programování v jazyce Python
Cílová skupina
- Výzkumníci v oblasti AI
- Inženýři specializující se na vestavěné ML
- Profesionáli pracující na inferenčních systémech s omezenými zdroji
