یادگیری ماشین برای سیستم‌های تعبیه شده با NPU ARM Ethos-U

آنچه یاد خواهید گرفت:

• یادگیری کامل گردش کار مدل کوچک یادگیری ماشین بر روی دستگاه‌های تعبیه
• درک چگونگی تجزیه و اجرای مدل یادگیری ماشین توسط کتابخانه TensorFlow Lite برای میکروکنترولر (TFLM) بر روی دستگاه تعبیه‌شده شما
• درک محدودیت‌های مدل‌های استاندارد یادگیری ماشین در سیستم‌های تعبیه‌شده و نیاز به جریان‌های متفاوت و بهینه‌شده برای دستگاه‌های با منابع محدود
• یادگیری اینکه ARM چگونه به ایجاد و تعریف سخت‌افزار، معماری و کامپایلر اختصاصی کمک کرده تا اجرای مدل‌های یادگیری ماشین بر روی دستگاه‌های تعبیه‌شده ممکن شود
• آشنایی با خانواده‌های شتاب‌دهنده‌های سخت‌افزاری یادگیری ماشین مبتنی بر ARM (Ethos-U) و ادغام طراحی System on Chip مربوط به آن‌ها

پیش نیازهای دوره

• باید درک اولیه‌ای از دستگاه‌های مبتنی بر سیستم‌های تعبیه‌شده و محدودیت‌های آن‌ها داشته باشید
• درک اولیه از معماری‌های مبتنی بر ARM و ادغام سیستم

توضیحات دوره

یادگیری ماشین برای سیستم‌های تعبیه‌شده با ARM Ethos-U

آیا آماده‌اید تا قدرت یادگیری ماشین را به دنیای سیستم‌های تعبیه‌شده بیاورید؟ این دوره یک مسیر عملی و کامل ارائه می‌دهد، به‌صورت عملی، در مورد چگونگی استفاده مؤثر از مدل‌های هوش مصنوعی مدرن، مانند شبکه‌های عصبی کانولوشن (CNNs) برای تسک های بینایی و صوتی، بر روی پلتفرم‌های مبتنی بر ARM با NPUs اختصاصی است.

بر خلاف اکثر دوره‌های یادگیری ماشین که فقط به آموزش محدود می‌شوند، در اینجا شما به صورت ابتدا تا انتها پیش می‌آیید، از طراحی مدل تا اجرای آن بر روی سخت‌افزار واقعی تعبیه‌شده.

آنچه یاد می‌گیرید:

نظریه ML اصلی برای دستگاه‌های تعبیه‌شده

• درک مراحل کلیدی پایپ لاین اجرای شبکه عصبی
• نقش کانولوشن، Flattening، توابع فعال‌سازی و Softmax در CNNها را بیاموزید.
• اصول محکمی درباره‌ی بهینه‌سازی عملیات ML برای دستگاه‌های با منابع محدود بسازید.

گردش کار آماده‌سازی مدل

• مدل خود را در TensorFlow آموزش دهید.
• آن را به مدل سبک tflite. تبدیل کنید.
• با ARM Vela compiler بهینه‌سازی و کامپایل کنید تا دستورالعمل‌های Ethos-U NPU تولید شود.

اجرای پیش‌بینی بر روی دستگاه‌های تعبیه‌شده

• کد TensorFlow Lite Micro (TFLM) را در ++C مشاهده کنید.
• درک کنید که عملیات ML به کِرن‌های CMSIS-NN و شتاب‌دهنده سخت‌افزاری Ethos-U چطور ارسال می‌شوند.
• تصویر واضحی از مسیر کامل پیش‌بینی از مدل تا سیلیکون داشته باشید.

کار عملی با سخت‌افزار واقعی

• با Alif E7 ML development kit نظریه را به عمل تبدیل کنید.
• مراحل راه‌اندازی بورد و بوت را طی کنید.
• نمودار بلوک Alif E7 را برای درک معماری ML آن بررسی کنید.
• نمایش‌های Keyword Spotting و Image Classification را کُپی، بسازید و مستقر کنید.
• مدل‌ها را بر روی بورد اجرا کرده و خروجی‌های زمان واقعی را مشاهده کنید.

چرا این دوره منحصر به فرد است؟

• پل ارتباطی بین نظریه یادگیری ماشین و نشر در تعبیه‌شده است.
• تمام گردش کار از آموزش تا اجرای NPU را پوشش می‌دهد، نه فقط بخش‌های مجزا
• همه چیز را بر روی یک پلتفرم واقعی ARM با تسریع AI نشان می‌دهد.
• رویکرد عملی و مبتنی بر سخت‌افزار با Alif E7 ML dev kit که پروژه‌های قابل بازتولید در ویندوز را فراهم می‌کند.

چه مهندس تعبیه‌شده باشید که می‌خواهید وارد AI شوید، چه متخصص ML که علاقه‌مند به انتشار بر روی تسریع‌کننده‌های سخت‌افزاری است، این دوره دانش و مهارت‌های عملی برای اجرای مدل‌های ML به‌صورت مؤثر در سیستم‌های تعبیه‌شده مدرن را به شما می‌دهد.

هم اکنون در این دوره شرکت کنید و سفر خود را به یادگیری ماشین تعبیه‌شده با ARM Ethos-U آغاز کنید!

این دوره برای چه کسانی مناسب است؟

• مطوران سیستم‌های تعبیه‌شده که می‌خواهند یادگیری ماشین را برای دستگاه‌های تعبیه‌شده یاد بگیرند.