Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Introduction
- Le rôle changeant de TensforFlow Lite dans les systèmes embarqués et l'IoT
Vue d'ensemble des caractéristiques et des opérations de TensorFlow Lite.
- Prise en compte des ressources limitées des appareils
- Opérations par défaut et opérations étendues
Mise en place TensorFlow Lite
- Installation de l'interpréteur TensorFlow Lite
- Installation d'autres paquets TensorFlow
- Travailler à partir de la ligne de commande ou de l'API Python
Choix d'un modèle à exécuter sur un appareil
- Aperçu des modèles pré-entraînés : classification d'images, détection d'objets, réponse intelligente, estimation de la pose, segmentation
- Choix d'un modèle à partir du TensorFlow Hub ou d'une autre source
Personnalisation d'un modèle pré-entraîné
- Fonctionnement de l'apprentissage par transfert
- Réentraînement d'un modèle de classification d'images
Conversion d'un modèle
- Comprendre le format TensorFlow Lite (taille, vitesse, optimisations, etc.)
- Convertir un modèle au format TensorFlow Lite
Exécution d'un modèle de prédiction
- Comprendre comment le modèle, l'interpréteur et les données d'entrée fonctionnent ensemble
- Appeler l'interpréteur à partir d'un appareil
- Faire passer les données par le modèle pour obtenir des prédictions
Accélérer les opérations du modèle
- Comprendre l'accélération embarquée, les GPUs, etc.
- Configurer les délégués pour accélérer les opérations
Ajout d'opérations de modélisation
- Utiliser TensorFlow Select pour ajouter des opérations à un modèle.
- Construire une version personnalisée de l'interpréteur
- Utilisation des opérateurs personnalisés pour écrire ou porter de nouvelles opérations
Optimisation du modèle
- Comprendre l'équilibre entre performance, taille du modèle et précision
- Utiliser la boîte à outils d'optimisation des modèles pour optimiser la taille et les performances d'un modèle
- Quantification post-entraînement
Dépannage
Résumé et conclusion
Pré requis
- Une compréhension des concepts d'apprentissage profond .
- Expérience de la programmation en Python
- Un appareil fonctionnant sous Linux embarqué (Raspberry Pi, appareil Coral, etc.)
Audience
- Développeurs
- Data scientists with an interest in embedded systems (scientifiques des données avec un intérêt pour les systèmes embarqués)
21 heures
Nos Clients témoignent (3)
I understood the process of the operating system and how do we link all factors together information of network as well so now I have an obvious and full picture about what is going on these computers how they communicate with each others ultimately gained knowledge about the most important operating system which is Linux and how do we implement our own embedded Linux
Rawda Alnaqbi - beamtrail
Formation - Introduction to Embedded Linux (Hands-on training)
The knowledge of the trainer. He was able to answer all of my questions, even questions about our platform. He also continued to help until we all understood the material.
James O'Donnell - Tennant Company
Formation - Embedded Linux Kernel and Driver Development
Peut-être que plus d'exercices seraient mieux pour l'apprentissage, mais le temps était trop court.
Gianpiero Arico' - Urmet Spa
Formation - Embedded Linux Systems Architecture
Traduction automatique
