Hvala što ste poslali upit! Jedan od naših članova tima će vas uskoro kontaktirati.
Hvala što ste poslali rezervaciju! Jedan od naših članova tima će vas uskoro kontaktirati.
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
Iskustva korisnika (1)
Vežbe
Gianluca Bovo - Urmet
Kurs - Security and Privacy in TinyML Applications
Mašinski prevedeno