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。
課程時長 21 時間:
課程簡介
TinyML 與嵌入式 AI 簡介
- TinyML 模型部署的特性
- 微控制器環境的限制
- 嵌入式 AI 工具鏈概覽
模型優化基礎
- 理解計算瓶頸
- 識別記憶體密集型操作
- 基準效能分析
量化技術
- 訓練後量化策略
- 量化感知訓練
- 評估精度與資源之間的權衡
剪枝與壓縮
- 結構化與非結構化剪枝方法
- 權重共享與模型稀疏性
- 輕量級推理壓縮演算法
硬體感知優化
- 在 ARM Cortex-M 系統上部署模型
- 針對 DSP 與加速器擴展進行優化
- 記憶體映射與資料流考量
基準測試與驗證
- 延遲與吞吐量分析
- 功耗與能耗測量
- 精度與穩健性測試
部署流程與工具
- 使用 TensorFlow Lite Micro 進行嵌入式部署
- 將 TinyML 模型整合至 Edge Impulse 流程
- 在實際硬體上進行測試與除錯
高級優化策略
- TinyML 神經架構搜尋
- 量化與剪枝的混合方法
- 用於嵌入式推理的模型蒸餾
總結與後續步驟
最低要求
- 具備對機器學習工作流程的理解
- 具有嵌入式系統或基於微控制器的開發經驗
- 熟悉 Python 編程
目標受眾
- AI 研究人員
- 嵌入式機器學習工程師
- 從事資源受限推理系統工作的專業人士