цифровая электроника
вычислительная техника
встраиваемые системы

 

QuickFeather – плата с возможностями машинного обучения для Интернета вещей

Автор: Mike(admin) от 11-03-2020, 11:55

QuickLogic Corporation и Antmicro совместно анонсировали QuickFeather, плату, разработанную для следующего поколения IoT-устройств с низким энергопотреблением. Помимо дизайна аппаратного обеспечения с открытым исходным кодом, доступного сегодня на GitHub, Antmicro также добавила поддержку платы QuickFeather в операционной системе реального времени Zephyr (RTOS), а также в своей среде моделирования Renode с открытым исходным кодом.


QuickFeather – плата с возможностями машинного обучения для Интернета вещей

ARM представила новый процессор машинного обучения и нейронный процессор для искусственного интеллекта в конечных устройствах Интернета вещей

Автор: Mike(admin) от 17-02-2020, 03:55

Компания ARM представила значительные дополнения к своей платформе искусственного интеллекта (ИИ), включая IP-ядро машинного обучения, процессор Arm Cortex-M55 и Arm Ethos-U55 NPU. Эти новые устройства предназначены для обеспечения совокупного повышения производительности машинного обучения в 480 раз, новое IP-ядро и поддержка унифицированной цепочки инструментов позволяют разработчикам аппаратного и программного обеспечения ИИ реализовывать инновационные идеи в системе, что приводит к беспрецедентным уровням машинного обучения на небольших устройствах Интернета вещей (IoT) с ограниченным энергопотреблением.


ARM представила новый процессор машинного обучения и нейронный процессор для искусственного интеллекта в конечных устройствах Интернета вещей

Как обучить многослойную нейронную сеть

Автор: Mike(admin) от 5-02-2020, 13:35

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.


Как обучить многослойную нейронную сеть

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.

Сигмоидальная функция активации: активация в многослойных нейронных сетях

Автор: Mike(admin) от 29-01-2020, 08:05

В предыдущей статье мы узнали, зачем нужен многослойный персептрон для полноценного машинного обучения. В этой статье вы узнаете о функциях активации, в том числе об ограничениях, связанных с функциями скачкообразной активации, и о том, как функция активации сигмоида может восполнить их в многослойных нейронных сетях.


Cигмоидная функция активации

Зачем нужен многослойный персептрон для полноценного машинного обучения

Автор: Mike(admin) от 23-01-2020, 19:55

В предыдущей статье мы узнали, что такое скорость обучения. Это важное понятие для дальнейшего изучения области машинного обучения, чтобы далее разрабатывать и обучать многослойные нейронные сети.


Зачем нужен многослойный персептрон для полноценного машинного обучения

До сих пор мы фокусировались на однослойном персептроне, который состоит из входного слоя и выходного слоя. Как вы, возможно, помните, мы используем термин «однослойный», потому что эта конфигурация включает в себя только один уровень вычислительно активных узлов, то есть узлов, которые изменяют данные путем суммирования, а затем применяют функцию активации. Узлы входного слоя просто распределяют данные.

Что такое скорость обучения нейронной сети

Автор: Mike(admin) от 15-01-2020, 06:05

В предыдущей статье мы рассмотрели основы теории обучения нейронных сетей. В данном материале углубимся в эту теорию дальше и поговорим о скорости обучения.


Что такое скорость обучения нейронной сети

Как вы уже догадались, скорость обучения влияет на быстроту обучения вашей нейронной сети. Но это еще не все.

Введение в теорию обучения нейронных сетей

Автор: Mike(admin) от 5-01-2020, 08:55

В предыдущей статье мы рассмотрели некоторые особенности процесса обучения нейронной сети. В этой статье мы рассмотрим теорию и практику обучения нейронных сетей и рассмотрим концепцию минимизации ошибки.


Введение в теорию обучения нейронных сетей

Особенности процесса обучения нейронной сети

Автор: Mike(admin) от 25-12-2019, 23:55

Целью обучения нейронной сети является предоставление данных, которые позволяют нейронной сети сходиться на надежных математических отношениях между входом и выходом. В предыдущей статье математическое соотношение было простым: если x-компонент точки в трехмерном пространстве меньше нуля, выходное значение равно нулю (что указывает, например, на то, что эта точка данных является «недействительной» и не требует дальнейшего анализа); если компонент x равен или больше нуля, вывод равен единице (что указывает на «действительную» точку данных).


Особенности процесса обучения нейронной сети

В таких случаях, когда известны математические отношения, вы можете создавать обучающие данные в программе для работы с электронными таблицами. Можно использовать, например, Excel.

Как обучить нейронную сеть на основе персептрона

Автор: Mike(admin) от 20-12-2019, 03:55

В предыдущей статье была представлена простая задача классификации, которую мы рассмотрели с точки зрения нейросетевой обработки сигналов. Математическое соотношение, необходимое для этой задачи, было настолько простым, что мы смогли спроектировать сеть, просто подумав о том, как определенный набор весов позволил бы выходному узлу правильно классифицировать входные данные. Вот такая у нас была сеть:


Как обучить нейронную сеть на основе персептрона

Пример использования простой нейронной сети на основе персептрона для классификации данных

Автор: Mike(admin) от 5-12-2019, 23:55

В предыдущей статье мы узнали, что нейронная сеть состоит из взаимосвязанных узлов, расположенных в слоях. Узлы на входном уровне распределяют данные, а узлы на других уровнях выполняют суммирование, а затем применяют функцию активации. Соединения между этими узлами являются взвешенными, это означает, что каждое соединение умножает переданные данные на скалярное значение.


Пример использования простой нейронной сети на основе персептрона для классификации данных

Обратите внимание, что эта конфигурация называется однослойным персептроном. Да, у него есть два слоя (входной и выходной), но только один слой содержит вычислительные узлы. В этой статье мы рассмотрим функциональность персептрона, используя следующую нейронную сеть.


Назад Вперед
Наверх