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

即将举行的公开课程

课程分类