Основы TinyML: Развертывание моделей на микроконтроллерах

Применение машинного обучения на периферийных устройствах открывает мир интеллектуальных приложений с низким энергопотреблением. Поскольку встраиваемые системы становятся все более мощными, способность запускать ИИ локально без зависимости от облака становится важным навыком для современных разработчиков. Этот курс проведет вас через процесс адаптации моделей машинного обучения и их размещения на крошечных микроконтроллерах с ограниченными ресурсами. С помощью понятных письменных объяснений и фрагментов кода вы научитесь адаптировать стандартные модели, применять современные методы оптимизации и выполнять их на встраиваемом оборудовании с помощью TensorFlow Lite. Что вы узнаете: • Поймете основные концепции TinyML, периферийных вычислений и ограничений встраиваемого оборудования. • Подготовите и преобразуете модели машинного обучения для периферийного развертывания с помощью TensorFlow Lite. • Примените современные методы квантования моделей для уменьшения занимаемой памяти и повышения энергоэффективности. • Напишете код на C++ для загрузки, настройки и выполнения моделей в средах микроконтроллеров. • Обработаете базовые данные датчиков локально для получения выводов в реальном времени без подключения к Интернету. • Изучите основополагающие концепции MLOps для управления жизненным циклом встраиваемого машинного обучения. Вы начнете с ключевой терминологии и основополагающих определений периферийного ИИ, прежде чем перейти к практическим упражнениям по кодированию на основе текста, которые шаг за шагом проведут вас через процесс преобразования и развертывания моделей. Этот курс, разработанный для начинающих с базовыми знаниями программирования, желающих изучить встраиваемое машинное обучение, не требует предварительного опыта развертывания на оборудовании. Начните читать сегодня, чтобы заложить основу для вашего первого интеллектуального приложения для микроконтроллера.