Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Durata 21 ore
Schița de curs
Introducere în TinyML și AI embeddat
- Caracteristicile implementării modelelor TinyML.
- Constrângerile în mediile cu microcontrolere.
- Prezentarea toolchain-urilor pentru AI embeddat.
Bazele optimizării modelelor
- Înțelegerea gâurilor de bottleneck computațional.
- Identificarea operațiilor intensive din punct de vedere al memoriei.
- Profilarea performanței de bază (baseline).
Tehnici de cuantizare
- Strategii de cuantizare după antrenare (post-training quantization).
- Antrenare cu recunoaștere a cuantizării (quantization-aware training).
- Evaluarea compromisului dintre acuratețe și resurse.
Tăiere (Pruning) și compresie
- Metode de tăiere structurată și nestructurată.
- Partajarea greutăților și sparsitatea modelului.
- Algoritmi de compresie pentru inferență ușoară (lightweight).
Optimizare orientată spre hardware
- Implementarea modelelor pe sisteme ARM Cortex-M.
- Optimizarea pentru extensii DSP și acceleratoare.
- Considerații privind maparea memoriei și fluxul de date (dataflow).
Benchmarking și validare
- Analiza latenței și a dezbaterii (throughput).
- Măsurarea consumului de putere și energie.
- Testarea acurateței și a robusteții.
Fluxuri de implementare și instrumente
- Folosirea TensorFlow Lite Micro pentru implementare embeddat.
- Integrarea modelelor TinyML cu pipeline-urile Edge Impulse.
- Testare și depanare pe hardware real.
Strategii avansate de optimizare
- Căutare automată a arhitecturii de rețele neuronale (NAS) pentru TinyML.
- Aproximări hibride de cuantizare și tăiere.
- Distilarea modelelor pentru inferență embeddat.
Sinteză și pași următori
Cerințe
- Înțelegerea fluxurilor de lucru în machine learning.
- Experiență cu sistemele embeddare sau dezvoltarea bazată pe microcontrolere.
- Familiaritate cu programarea în Python.
Public țintă
- Cercetători în AI.
- Ingineri în ML embeddat.
- Profesioniști care lucrează la sisteme de inferență cu resurse limitate.
