Tinyml: Învățarea automată cu Tensorflow Lite pe Arduino și microcontrolere ultra-ușoare

Recenzii ale cititorilor

Cartea oferă o resursă practică pentru dezvoltatorii interesați de implementarea învățării automate pe dispozitive cu resurse limitate, cu exemple practice centrate pe TensorFlow și edge computing. Cu toate acestea, suferă de resurse învechite și suport limitat pentru utilizatorii Windows, ceea ce o poate face dificilă pentru unii cititori.

Bine scrisă și captivantă, accesibilă dezvoltatorilor de toate nivelurile.

Abordare practică, hands-on, cu demonstrații și exemple în Google Colab.

(pe baza a 40 recenzii ale cititorilor)

Titlul original:

Tinyml: Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers

Conținutul cărții:

Rețelele de învățare profundă sunt din ce în ce mai mici. Mult mai mici. Echipa Google Assistant poate detecta cuvinte cu un model de doar 14 kilobyți - suficient de mic pentru a rula pe un microcontroler. Cu această carte practică veți intra în domeniul TinyML, unde învățarea profundă și sistemele integrate se combină pentru a face posibile lucruri uimitoare cu dispozitive minuscule.

Pete Warden și Daniel Situnayake explică cum puteți antrena modele suficient de mici pentru a se potrivi în orice mediu. Ideal pentru dezvoltatorii de software și hardware care doresc să construiască sisteme integrate folosind machine learning, acest ghid vă conduce pas cu pas prin crearea unei serii de proiecte TinyML. Nu este necesară experiență în învățarea automată sau în microcontrolere.

⬤ Construiți un dispozitiv de recunoaștere a vorbirii, o cameră care detectează oamenii și o baghetă magică care răspunde la gesturi.

⬤ Lucrați cu Arduino și microcontrolere cu putere ultra-joasă.

⬤ Învățați elementele esențiale ale ML și cum să vă antrenați propriile modele.

⬤ Pregătiți modele pentru a înțelege date audio, imagini și accelerometre.

⬤ Explorați TensorFlow Lite pentru microcontrolere, setul de instrumente Google pentru TinyML.

⬤ Depanarea aplicațiilor și asigurarea protecției pentru confidențialitate și securitate.

⬤ Optimizați latența, consumul de energie și dimensiunea modelului și a binarului.