聯繫我們
 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

人數


每位參與者的報價

即將到來的課程

課程分類