Kontaktirajte nas
 Trajanje 21 sati

Sadržaj kursa

Uvod u TinyML i ugrađenu veštačku inteligenciju

  • Carakteristike implementacije TinyML modela
  • Ograničenja u okruženjima mikrokontrolera
  • Pregled alata za ugrađenu veštačku inteligenciju

Temelji optimizacije modela

  • Razumevanje računarskih uskih grla
  • Prepoznavanje operacija intenzivnih po memoriju
  • Profiliranje osnovnih performansi

Tehnike kvantizacije

  • Strategije kvantizacije nakon treninga
  • Trening uzimajući u obzir kvantizaciju
  • Procena kompromisa između tačnosti i resursa

Orezivanje i kompresija

  • Metode strukturiranog i nestrukturiranog orezivanja
  • Deljenje težina i retkost modela
  • Algoritmi kompresije za laku implementaciju

Optimizacija svesna hardvera

  • Implementacija modela na ARM Cortex-M sistemima
  • Optimizacija za DSP i ekstenzije akceleratora
  • Preslikavanje memorije i razmatranje toka podataka

Isprobavanje i validacija

  • Analiza latencije i propusnog opsega
  • Merenje potrošnje snage i energije
  • Testiranje tačnosti i robusnosti

Radni tokovi i alati za implementaciju

  • Korišćenje TensorFlow Lite Micro za ugrađenu implementaciju
  • Integracija TinyML modela sa Edge Impulse tokovima
  • Testiranje i otklanjanje grešaka na pravom hardveru

Napredne strategije optimizacije

  • Pretraživanje neuronske arhitekture za TinyML
  • Hibridni pristupi kvantizaciji i orezivanju
  • Destilacija modela za ugrađenu implementaciju

Rezime i sledeći koraci

Uslovi

  • Razumevanje radnih tokova mašinskog učenja
  • Iskustvo sa ugrađenim sistemima ili razvojem zasnovanim na mikrokontrolerima
  • Znanje programskog jezika Python

Ciljna grupa

  • Istraživači veštačke inteligencije
  • Inženjeri mašinskog učenja za ugrađene sisteme
  • Stručnjaci koji rade na sistemima za zaključavanje sa ograničenim resursima

Broj učesnika


Cena po učesniku

Iskustva korisnika (1)

Predstojeći kursevi

Povezane kategorije