如何快速部署邊緣就緒機器學習應用程序

2388746 2022-11-24 | pdf | 818.95KB | 次下載 | 免費

資料介紹

機器學習 (ML) 為創建智能產品提供了巨大的潛力，但神經網絡 (NN) 建模和為邊緣創建 ML 應用程序所涉及的復雜性和挑戰限制了開發人員快速提供有用解決方案的能力。盡管現成的工具使 ML 模型的創建通常更容易獲得，但傳統的 ML 開發實踐并不是為了滿足物聯網 (IoT)、汽車、工業系統和其他嵌入式應用程序解決方案的獨特要求而設計的。機器學習 (ML) 為創建智能產品提供了巨大的潛力，但神經網絡 (NN) 建模和為邊緣創建 ML 應用程序所涉及的復雜性和挑戰限制了開發人員快速提供有用解決方案的能力。盡管現成的工具使 ML 模型的創建通常更容易獲得，但傳統的 ML 開發實踐并不是為了滿足物聯網 (IoT)、汽車、工業系統和其他嵌入式應用程序解決方案的獨特要求而設計的。本文簡要介紹了神經網絡建模。然后介紹并描述了如何使用本文簡要介紹了神經網絡建模。然后介紹并描述了如何使用NXP SemiconductorsNXP Semiconductors的綜合機器學習平臺，讓開發人員更有效地交付邊緣就緒機器學習應用程序。的綜合機器學習平臺，讓開發人員更有效地交付邊緣就緒機器學習應用程序。快速回顧神經網絡建模快速回顧神經網絡建模ML 算法為開發人員提供了一個截然不同的應用程序開發選項。開發人員不是編寫旨在明確解決圖像分類等問題的軟件代碼，而是通過提供一組數據來訓練 NN 模型，例如用圖像中包含的實體的實際名稱（或類別）注釋的圖像。訓練過程使用多種方法分別為每個神經元和層計算模型的權重和偏置值參數，使模型能夠對輸入圖像的正確類別提供相當準確的預測（圖 1）。ML 算法為開發人員提供了一個截然不同的應用程序開發選項。開發人員不是編寫旨在明確解決圖像分類等問題的軟件代碼，而是通過提供一組數據來訓練 NN 模型，例如用圖像中包含的實體的實際名稱（或類別）注釋的圖像。訓練過程使用多種方法分別為每個神經元和層計算模型的權重和偏置值參數，使模型能夠對輸入圖像的正確類別提供相當準確的預測（圖 1）。圖 1：諸如這個全連接網絡之類的神經網絡使用訓練期間設置的權重和偏差參數對輸入對象進行分類。（圖片來源：恩智浦半導體）圖 1：諸如這個全連接網絡之類的神經網絡使用訓練期間設置的權重和偏差參數對輸入對象進行分類。（圖片來源：恩智浦半導體）除了圖 1 所示的通用全連接神經網絡之外，機器學習研究人員已經發展出一系列廣泛的神經網絡架構。例如，圖像分類應用程序通常使用卷積神經網絡 (CNN)，這是一種將圖像識別分為初始階段以尋找關鍵信息的專用架構圖像的特征，然后是分類階段，預測它屬于訓練期間建立的幾個類別之一的可能性（圖 2）。除了圖 1 所示的通用全連接神經網絡之外，機器學習研究人員已經發展出一系列廣泛的神經網絡架構。例如，圖像分類應用程序通常使用卷積神經網絡 (CNN)，這是一種將圖像識別分為初始階段以尋找關鍵信息的專用架構圖像的特征，然后是分類階段，預測它屬于訓練期間建立的幾個類別之一的可能性（圖 2）。圖 2：ML 專家使用專門的神經網絡架構，例如這個卷積神經網絡 (CNN) 來執行圖像識別等特定任務。（圖片來源：恩智浦半導體）圖 2：ML 專家使用專門的神經網絡架構，例如這個卷積神經網絡 (CNN) 來執行圖像識別等特定任務。（圖片來源：恩智浦半導體）盡管選擇合適的模型架構和訓練方案僅限于 ML 專家，但多種開源和商業工具的可用性極大地簡化了大規模部署的模型開發。如今，開發人員可以使用幾行代碼（清單 1）定義模型，并使用開源盡管選擇合適的模型架構和訓練方案僅限于 ML 專家，但多種開源和商業工具的可用性極大地簡化了大規模部署的模型開發。如今，開發人員可以使用幾行代碼（清單 1）定義模型，并使用開源NetronNetron模型查看器等工具生成模型的圖形表示（圖 3），以檢查每個層的定義和連接性。