感谢您发送咨询!我们的团队成员将很快与您联系。
感谢您发送预订!我们的团队成员将很快与您联系。
课程大纲
TinyML与嵌入式AI简介
- TinyML模型部署的特点
- 微控制器环境中的约束
- 嵌入式AI工具链概述
模型优化基础
- 理解计算瓶颈
- 识别内存密集型操作
- 基线性能分析
量化技术
- 训练后量化策略
- 量化感知训练
- 评估准确性与资源权衡
剪枝与压缩
- 结构化和非结构化剪枝方法
- 权重共享与模型稀疏性
- 轻量级推理的压缩算法
硬件感知优化
- 在ARM Cortex-M系统上部署模型
- 针对DSP和加速器扩展进行优化
- 内存映射与数据流考虑
基准测试与验证
- 延迟与吞吐量分析
- 功耗与能耗测量
- 准确性与鲁棒性测试
部署工作流与工具
- 使用TensorFlow Lite Micro进行嵌入式部署
- 将TinyML模型与Edge Impulse管道集成
- 在真实硬件上进行测试与调试
高级优化策略
- TinyML的神经架构搜索
- 混合量化-剪枝方法
- 嵌入式推理的模型蒸馏
总结与下一步
要求
- 了解机器学习工作流程
- 具备嵌入式系统或基于微控制器的开发经验
- 熟悉Python编程
目标受众
- AI研究人员
- 嵌入式ML工程师
- 从事资源受限推理系统工作的专业人员
21 小时