Struttura del corso
Introduzione
- Differenze tra microcontrollori e microprocessori
- Microcontrollori progettati per compiti di machine learning
Cenni sulle Funzionalità di TensorFlow Lite
- Inferenza di machine learning on-device
- Risoluzione della latenza di rete
- Risoluzione dei vincoli di energia
- Presa in carico la privacy
Vincoli di un Microcontrollore
- Consumo energetico e dimensioni
- Potenza di calcolo, memoria e archiviazione
- Operazioni limitate
Inizio del Corso
- Preparazione dell'ambiente di sviluppo
- Esecuzione di un semplice Hello World sul microcontrollore
Creazione di un Sistema di Riconoscimento Audio
- Acquisizione di un modello TensorFlow
- Conversione del modello in un FlatBuffer TensorFlow Lite
Serializzazione del Codice
- Conversione del FlatBuffer in un array di byte C
Lavorare con le Librerie C++ dei Microcontrollori
- Codifica del microcontrollore
- Raccolta dati
- Esecuzione dell'inferenza sul controllore
Verifica dei Risultati
- Esecuzione di un test unitario per vedere il workflow end-to-end
Creazione di un Sistema di Riconoscimento Immagini
- Classificazione di oggetti fisici da dati immagine
- Creato di un modello TensorFlow da zero
Distribuzione di un Dispositivo AI-Abilitato
- Esecuzione dell'inferenza su un microcontrollore in campo
Risoluzione dei Problemi
Somma e Conclusione
Requisiti
- Esperienza in programmazione C o C++
- Conoscenza di base di Python
- Comprensione generale dei sistemi embedded
Pubblico Obiettivo
- Sviluppatori
- Programmatori
- Data scientists interessati allo sviluppo di sistemi embedded
Recensioni (2)
Sean era un relatore dinamico e gli esercizi pratici erano molto interessanti. Posso vedere come saranno davvero applicabili.
Temira Koenig - Yeshiva University
Corso - Raspberry Pi for Beginners
Traduzione automatica
L'acquisizione di conoscenze utili e la chiarificazione di alcuni aspetti di cui non ero sicuro in precedenza.
Kenneth Mahoney - University of Glasgow
Corso - Arduino: Programming a Microcontroller for Beginners
Traduzione automatica