感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
TinyML與嵌入式AI簡介
- TinyML模型部署的特點
- 微控制器環境中的約束
- 嵌入式AI工具鏈概述
模型優化基礎
- 理解計算瓶頸
- 識別內存密集型操作
- 基線性能分析
量化技術
- 訓練後量化策略
- 量化感知訓練
- 評估準確性與資源權衡
剪枝與壓縮
- 結構化和非結構化剪枝方法
- 權重共享與模型稀疏性
- 輕量級推理的壓縮算法
硬件感知優化
- 在ARM Cortex-M系統上部署模型
- 針對DSP和加速器擴展進行優化
- 內存映射與數據流考慮
基準測試與驗證
- 延遲與吞吐量分析
- 功耗與能耗測量
- 準確性與魯棒性測試
部署工作流與工具
- 使用TensorFlow Lite Micro進行嵌入式部署
- 將TinyML模型與Edge Impulse管道集成
- 在真實硬件上進行測試與調試
高級優化策略
- TinyML的神經架構搜索
- 混合量化-剪枝方法
- 嵌入式推理的模型蒸餾
總結與下一步
最低要求
- 瞭解機器學習工作流程
- 具備嵌入式系統或基於微控制器的開發經驗
- 熟悉Python編程
目標受衆
- AI研究人員
- 嵌入式ML工程師
- 從事資源受限推理系統工作的專業人員
21 時間: