Tinyml: Gépi tanulás Tensorflow Lite-tal Arduino és ultra-alacsony fogyasztású mikrokontrollereken

Olvasói vélemények

A könyv gyakorlati forrást nyújt a gépi tanulás korlátozott erőforrású eszközökön történő telepítése iránt érdeklődő fejlesztők számára, a TensorFlow és az edge computing köré összpontosító gyakorlati példákkal. Azonban szenved az elavult források és a Windows-felhasználók korlátozott támogatása miatt, ami kihívást jelenthet egyes olvasók számára.

Jól megírt és lebilincselő, minden szintű fejlesztő számára elérhető.

Gyakorlatias, gyakorlatias megközelítés demókkal és példákkal a Google Colabban.

(40 olvasói vélemény alapján)

Eredeti címe:

Tinyml: Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers

Könyv tartalma:

A mélytanulási hálózatok egyre kisebbek. Sokkal kisebbek. A Google Assistant csapata egy mindössze 14 kilobájt méretű modellel képes szavakat felismerni - ez elég kicsi ahhoz, hogy egy mikrokontrolleren fusson. Ezzel a gyakorlatias könyvvel beléphetsz a TinyML területére, ahol a mélytanulás és a beágyazott rendszerek kombinációja elképesztő dolgokat tesz lehetővé apró eszközökkel.

Pete Warden és Daniel Situnayake elmagyarázza, hogyan lehet olyan kicsi modelleket képezni, amelyek bármilyen környezetbe illeszkednek. Ez az útmutató ideális azoknak a szoftver- és hardverfejlesztőknek, akik beágyazott rendszereket szeretnének építeni gépi tanulással, és lépésről lépésre végigvezet egy sor TinyML-projekt létrehozásán. Nem szükséges gépi tanulással vagy mikrokontrollerrel kapcsolatos tapasztalat.

⬤ Építsen beszédfelismerőt, embereket érzékelő kamerát és gesztusokra reagáló varázspálcát.

⬤ Munkálkodjon Arduino és ultra-alacsony fogyasztású mikrokontrollerekkel.

⬤ Tanulja meg az ML alapjait, és hogyan képezze ki saját modelljeit.

⬤ Tanítson modelleket az audio-, kép- és gyorsulásmérő adatok megértéséhez.

⬤ Tudja meg a TensorFlow Lite for Microcontrollers, a Google TinyML eszközkészletét.

⬤ Hibakeresés az alkalmazásokban, valamint az adatvédelem és a biztonság védelmének biztosítása.

⬤ Optimalizálja a késleltetést, az energiafelhasználást, valamint a modell és a bináris méretét.