close
TinyML集合數據並雲訓練與傳統機器學習，最大差異是模型訓練後階段模型的優化和部署。麥克風TinyML為了適應嵌入式終端的有限計算資源，“深度壓縮”必須“深度壓縮”，其通常包括模型蒸餾，量化（編碼），編碼（編碼）3進程，然後還將編譯部署到終端。
TinyML模型生成過程 模態精餾的目的是使模型更緊湊，並且記憶體較少，包括修剪和知識蒸餾兩種方法。 Twig嘗試去除對神經元輸出預測影響較小神經元，網路重新訓練並微調剪枝後。 通過複製大網絡的輸出路徑簡化了小網路，並且從而簡化了模型。
知識型整改過程 定量（Quantization）是（或者大量可能的離散取值）浮點模型張量數據定點近似為用於有限多個離散值，無線麥克風數據類型可用於近32位浮點型數據進行，從而減少模型大小，記憶體消耗並加速模型推理。 舉例來說在接受的精度損耗範圍內，8位整數量化可以減少模型體積75，並且推理速度增加4次。
在嵌入式終端上，張量數據定點近似為是操作模型的最後一步。動圈式麥克風只要模型量化和編碼，它將被轉換成一種格式，可以通過某種形式的小神經網路解釋器解釋，其中最受歡迎的可能是TF Lite（500kb）和TF Lite微觀（約為）20kb）。該模型是編譯為C++或C++（大多數微控制器可以有效地利用記憶體）並由設備的解釋操作。
TinyML應用程式工作流程
文章標籤
全站熱搜
留言列表
