Digitrode

Если вы хотите начать работу с машинным обучением, вы можете быстро оказаться в растерянности из-за огромного количества различных платформ, предлагающих различные услуги и возможности в плане машинного обучения.

В данной статье вы познакомитесь с несколькими интересными (и бесплатными) платформами машинного обучения для различных приложений, чтобы вы могли быстро приступить к работе. Обратите внимание, что это лишь небольшой набор платформ, и основная цель статьи – дать вам обзорное представление, чтобы вы могли начать более эффективно проводить собственные исследования.

Основная проблема в TinyML заключается в том, как взять относительно большую нейронную сеть, иногда порядка сотен мегабайт, и заставить ее работать на микроконтроллере с ограниченными ресурсами, сохраняя при этом минимальный бюджет мощности. С этой целью наиболее эффективным методом является квантование.

Эта статья даст базовое понимание квантования, что это такое, как оно используется и почему это важно.

Машинное обучение — это динамичная и мощная область компьютерных наук, которая проникла почти во все цифровые объекты, с которыми мы взаимодействуем, будь то социальные сети, наши мобильные телефоны, автомобили или даже бытовая техника. Тем не менее, еще есть много мест, куда машинное обучение хотело бы попасть, но ему трудно добраться. Это связано с тем, что многие современные модели машинного обучения требуют значительных вычислительных ресурсов и энергопотребления для выполнения логического вывода.

Потребность в высокопроизводительных вычислительных ресурсах привела к ограничению многих приложений машинного обучения облачными вычислениями, где легко доступны вычисления на уровне центра обработки данных. Чтобы позволить машинному обучению расширить свои возможности и открыть новую эру в данном направлении, мы должны найти способы упростить реализацию машинного обучения на небольших устройствах с более ограниченными ресурсами. Это стремление привело к созданию области, известной как Tiny Machine Learning (компактное машинное обучение) или TinyML (термин, зарегистрированный под торговой маркой TinyML Foundation, который стал синонимом технологии).

По словам исследователей из Технологического университета Суинберна, новый тип оптического нейроморфного процессора может работать более чем в 1000 раз быстрее, чем любой предыдущий тип процессора.

Недавно появились отличные новости для поклонников ESP32. Экосистема вездесущих микроконтроллеров для Интернета вещей (IoT) получает нового члена семьи – ESP32-S3! Последнее новшество Espressif включает обновленный двухъядерный микроконтроллер, расширенный функционал GPIO, новые инструкции, ориентированные на искусственный интеллект (ИИ), и функции безопасности с аппаратным ускорением.

В 2020 году многие компании выпустили флагманские устройства с низким энергопотреблением, чтобы вывести искусственный интеллект (ИИ) для работы в периферийных узлах.

Сегодня в мире насчитывается большое количество разнообразных видеоредакторов, но не все они настолько хороши, как кажутся на первый взгляд, и не все обладают необходимыми функциями для решения многочисленных задач по редактированию видео.

Компания Mythic анонсировала чип ускорителя искусственного интеллекта M1108 AMP, который представляет собой технологию вычислений в памяти, основанную на 40-нм техпроцессе, и считается первым в отрасли аналоговым матричным процессором (AMP). Что касается AMP, Mythic говорит, что Mythic AMP разработан как массив вычислительных блоков.

Octonion SA, компания, занимающаяся глубокими технологиями разработки программного обеспечения, специализирующаяся на искусственном интеллекте (ИИ) для периферийной диагностики промышленного оборудования, анонсировала пакет расширения STM32Cube, оптимизированный для плат разработки промышленных приложений на базе микроконтроллера STM32L4+. Данное решение позволяет поставщикам промышленного оборудования быстро оценивать встроенные модели искусственного интеллекта Octonion, выполняя обучение непосредственно на микроконтроллерах STM32.

Из предыдущих статей по нейронным сетям вы узнали о классификации данных с использованием простых нейронных сетей на основе персептрона. Но мы можем значительно повысить производительность персептрона, добавив слой скрытых узлов, но эти скрытые узлы также усложняют обучение. В этом материале будут даны основы обучения многослойной нейронной сети.

Предыдущая статья продемонстрировала, что однослойный персептрон просто не может обеспечить производительность, которую мы ожидаем от современной архитектуры нейронных сетей. Система, ограниченная линейно разделяемыми функциями, не сможет аппроксимировать сложные отношения ввода-вывода, которые возникают в реальных сценариях обработки сигналов. Решение представляет собой многослойный персептрон, такой как приведенный далее.