课程大纲

Edge AI 与模型优化简介

  • 理解边缘计算与AI工作负载
  • 性能与资源限制的权衡
  • 模型优化策略概述

模型选择与预训练

  • 选择轻量级模型(如MobileNet、TinyML、SqueezeNet)
  • 理解适用于边缘设备的模型架构
  • 使用预训练模型作为基础

Fine-Tuning 与迁移学习

  • 迁移学习的原理
  • 将模型适应自定义数据集
  • 实际微调工作流程

模型量化

  • 训练后量化技术
  • 量化感知训练
  • 评估与权衡

模型剪枝与压缩

  • 剪枝策略(结构化与非结构化)
  • 压缩与权重共享
  • 压缩模型的基准测试

部署框架与工具

  • TensorFlow Lite、PyTorch Mobile、ONNX
  • 边缘硬体兼容性与运行环境
  • 跨平台部署的工具链

实际部署

  • 部署到Raspberry Pi、Jetson Nano与移动设备
  • 性能分析与基准测试
  • 解决部署问题

总结与下一步

要求

  • 了解机器学习基础知识
  • 具备Python和深度学习框架的经验
  • 熟悉嵌入式系统或边缘设备的限制

目标受众

  • 嵌入式AI开发者
  • 边缘计算专家
  • 专注于边缘部署的机器学习工程师
 14 小时

即将举行的公开课程

课程分类