Читать фрагмент

книга

TinyML: книга рецептов

TinyML – технология, призванная расширить использование искусственного интеллекта за счет устройств с малым энергопотреблением, таких как микроконтроллеры. Прочитав эту книгу, вы сможете свободно использовать передовые практики и фреймворки ML в своей работе. Для начала вы ознакомитесь с основами развертывания интеллектуальных приложений на Arduino Nano 33 BLE Sense и Raspberry Pi Pico, а затем на примере работы с реальными датчиками получите необходимые навыки для внедрения комплексных интеллектуальных приложений в различных сценариях.Издание предназначено для инженеров-разработчиков, заинтересованных в создании приложений машинного обучения на микроконтроллерах. Требуется базовое знакомство с C/C++, языком программирования Python и интерфейсом командной строки (CLI); предварительные знания о микроконтроллерах не обязательны.

Форматы: PDF

Издательство: ДМК Пресс

Год: 2023

Место издания: Москва

ISBN: 978-5-93700-169-6 (рус.). – ISBN 978-1-80181-497-3 (англ.)

Страниц: 300

Артикул: 108095

Возрастная маркировка: 16+

Электронная книга

1399 ₽

Купить и скачать

Содержание

Содержание книги "TinyML: книга рецептов : искусственный интеллект и интегрированные устройства со сверхнизким энергопотреблением делают мир умнее"

От издательства

Введение

Составители

Предисловие

Глава 1. Начало работы с TinyML

Технические требования

Представление TinyML

Краткое описание глубокого обучения (DL)

Разница между мощностью и энергией

Программирование микроконтроллеров

Представление Arduino Nano 33 BLE Sense и Raspberry Pi Pico

Настройка Arduino Web Editor, TensorFlow и Edge Impulse

Запуск скетча на Arduino Nano 33 и Raspberry Pi Pico

Глава 2. Прототипирование на микроконтроллерах

Технические требования

Отладка кода

Подключение светодиодного индикатора на макетной плате

Управление внешним светодиодом с помощью GPIO

Включение и выключение светодиода с помощью кнопки

Использование прерываний для считывания состояния кнопки

Питание микроконтроллеров от батарей

Глава 3. Создание метеостанции с помощью библиотеки TensorFlow Lite for microcontrollers

Импорт данных о погоде из WorldWeatherOnline

Подготовка набора данных

Обучение модели с помощью TF

Оценка эффективности модели

Квантизация модели с помощью конвертера TFLite

Использование встроенного датчика температуры и влажности на Arduino Nano

Использование датчика DHT22 с Raspberry Pi Pico

Подготовка входных характеристик для просчета модели

Запуск на устройстве с помощью TFLu

Глава 4. Голосовое управление светодиодами с помощью Edge Impulse

Технические требования

Сбор аудиоданных с помощью смартфона

Извлечение параметров MFCC из аудиосемплов

Пример проектирования и обучения нейронной сети (NN)

Настройка эффективности модели с помощью EON Tuner

Классификация в реальном времени с помощью смартфона

Классификация в реальном времени с помощью Arduino Nano

Непрерывное распознавание на Arduino Nano

Схема для голосового управления светодиодами на Raspberry Pi Pico

Выборка звука на Raspberry Pi Pico с помощью АЦП и прерываний по таймеру

Глава 5. Распознавание интерьеров помещений с помощью TensorFlow Lite for Microcontrollers и Arduino Nano

Технические требования

Съемка с помощью модуля камеры OV7670

Преобразование изображений QQVGA из YCbCr422 в RGB888

Создание набора данных для распознавания интерьеров помещений

Трансфертное обучение с помощью Keras API

Подготовка и тестирование квантизованной модели TFLite

Сокращение объема RAM за счет объединения функций обрезки, изменения размера, масштабирования и квантизации

Глава 6. Создание интерфейса на основе жестов для управления воспроизведением на YouTube

Технические требования

Подключение к MPU-6050 IMU через интерфейс I2C

Получение данных акселерометра

Построение набора данных с помощью инструмента пересылки данных Edge Impulse data forwarder

Разработка и обучение модели ML

Классификации в реальном времени с помощью инструмента пересылки данных Edge Impulse data forwarder

Распознавание жестов на Raspberry Pi Pico в ОС Arm Mbed

Создание бесконтактного интерфейса с помощью PyAutoGUI

Глава 7. Запуск модели TinyML CIFAR-10 на виртуальной платформе ОС Zephyr

Технические требования

Начало работы с ОС Zephyr

Разработка и обучение малой модели CIFAR-10

Оценка достоверности модели TFLite

Преобразование цифрового изображения в C-байтовый массив

Подготовка основы проекта TFLu

Создание и запуск приложения TFLu на QEMU

Глава 8. К следующему поколению TinyML с microNPU

Технические требования

Настройка Arm Corstone-300 FVP

Установка TVM с поддержкой Arm Ethos-U

Установка набора инструментов Arm и стека драйверов Ethos-U

Генерация C-кода с помощью TVM

Генерация C-байтовых массивов для входа, выхода и меток

Создание и запуск модели на Arm Ethos-U55

Предметный указатель

Внимание!
При обнаружении неточностей или ошибок в описании книги "TinyML: книга рецептов : искусственный интеллект и интегрированные устройства со сверхнизким энергопотреблением делают мир умнее (автор Джан Йодиче)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!