Tensorflow Lite for Microcontrollers

• Doświadczenie w programowaniu w języku C lub C++
• Podstawowe zrozumienie Python
• Ogólne zrozumienie systemów wbudowanych

Publiczność

• Deweloperzy
• Programiści
• Naukowcy danych zainteresowani rozwojem systemów wbudowanych

TensorFlow Lite dla Microcontroller to port TensorFlow Lite przeznaczony do uruchamiania modeli uczenia maszynowego na mikrokontrolerach i innych urządzeniach z ograniczoną pamięcią.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, którzy chcą pisać, ładować i uruchamiać modele uczenia maszynowego na bardzo małych urządzeniach wbudowanych.

Pod koniec tego szkolenia uczestnicy będą mogli:

• Zainstalować TensorFlow Lite.
• Załadować modele uczenia maszynowego na urządzenie wbudowane, aby umożliwić mu wykrywanie mowy, klasyfikowanie obrazów itp.
• Dodawać sztuczną inteligencję do urządzeń sprzętowych bez polegania na łączności sieciowej.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie

• Microcontroller vs mikroprocesor
• Microcontroller zaprojektowane do zadań uczenia maszynowego

Przegląd funkcji TensorFlow Lite

• Wnioskowanie uczenia maszynowego na urządzeniu
• Rozwiązywanie problemów z opóźnieniami w sieci
• Rozwiązywanie ograniczeń mocy
• Zachowanie prywatności

Ograniczenia Microcontroller

• Zużycie energii i rozmiar
• Moc obliczeniowa, pamięć i pamięć masowa
• Ograniczone operacje

Pierwsze kroki

• Przygotowanie środowiska programistycznego
• Uruchamianie prostego Hello World na Microcontroller

Tworzenie systemu wykrywania dźwięku

• Uzyskiwanie modelu TensorFlow
• Konwersja modelu do TensorFlow Lite FlatBuffer

Serializacja kodu

• Konwersja FlatBuffer na tablicę bajtów C

Praca z bibliotekami Microcontroller'ss C++

• Kodowanie mikrokontrolera
• Zbieranie danych
• Uruchamianie wnioskowania na kontrolerze

Weryfikacja wyników

• Uruchomienie testu jednostkowego, aby zobaczyć kompleksowy przepływ pracy

Tworzenie systemu wykrywania obrazów

• Klasyfikowanie obiektów fizycznych na podstawie danych obrazu
• Tworzenie modelu TensorFlow od podstaw

Wdrażanie urządzenia obsługującego sztuczną inteligencję

• Uruchamianie wnioskowania na mikrokontrolerze w terenie

Rozwiązywanie problemów

Podsumowanie i wnioski