如何快速部署边缘就绪机器学习应用程序

2388746 2022-11-24 | pdf | 818.95KB | 次下载 | 免费

资料介绍

机器学习 (ML) 为创建智能产品提供了巨大的潜力，但神经网络 (NN) 建模和为边缘创建 ML 应用程序所涉及的复杂性和挑战限制了开发人员快速提供有用解决方案的能力。尽管现成的工具使 ML 模型的创建通常更容易获得，但传统的 ML 开发实践并不是为了满足物联网 (IoT)、汽车、工业系统和其他嵌入式应用程序解决方案的独特要求而设计的。机器学习 (ML) 为创建智能产品提供了巨大的潜力，但神经网络 (NN) 建模和为边缘创建 ML 应用程序所涉及的复杂性和挑战限制了开发人员快速提供有用解决方案的能力。尽管现成的工具使 ML 模型的创建通常更容易获得，但传统的 ML 开发实践并不是为了满足物联网 (IoT)、汽车、工业系统和其他嵌入式应用程序解决方案的独特要求而设计的。本文简要介绍了神经网络建模。然后介绍并描述了如何使用本文简要介绍了神经网络建模。然后介绍并描述了如何使用NXP SemiconductorsNXP Semiconductors的综合机器学习平台，让开发人员更有效地交付边缘就绪机器学习应用程序。的综合机器学习平台，让开发人员更有效地交付边缘就绪机器学习应用程序。快速回顾神经网络建模快速回顾神经网络建模ML 算法为开发人员提供了一个截然不同的应用程序开发选项。开发人员不是编写旨在明确解决图像分类等问题的软件代码，而是通过提供一组数据来训练 NN 模型，例如用图像中包含的实体的实际名称（或类别）注释的图像。训练过程使用多种方法分别为每个神经元和层计算模型的权重和偏置值参数，使模型能够对输入图像的正确类别提供相当准确的预测（图 1）。ML 算法为开发人员提供了一个截然不同的应用程序开发选项。开发人员不是编写旨在明确解决图像分类等问题的软件代码，而是通过提供一组数据来训练 NN 模型，例如用图像中包含的实体的实际名称（或类别）注释的图像。训练过程使用多种方法分别为每个神经元和层计算模型的权重和偏置值参数，使模型能够对输入图像的正确类别提供相当准确的预测（图 1）。图 1：诸如这个全连接网络之类的神经网络使用训练期间设置的权重和偏差参数对输入对象进行分类。（图片来源：恩智浦半导体）图 1：诸如这个全连接网络之类的神经网络使用训练期间设置的权重和偏差参数对输入对象进行分类。（图片来源：恩智浦半导体）除了图 1 所示的通用全连接神经网络之外，机器学习研究人员已经发展出一系列广泛的神经网络架构。例如，图像分类应用程序通常使用卷积神经网络 (CNN)，这是一种将图像识别分为初始阶段以寻找关键信息的专用架构图像的特征，然后是分类阶段，预测它属于训练期间建立的几个类别之一的可能性（图 2）。除了图 1 所示的通用全连接神经网络之外，机器学习研究人员已经发展出一系列广泛的神经网络架构。例如，图像分类应用程序通常使用卷积神经网络 (CNN)，这是一种将图像识别分为初始阶段以寻找关键信息的专用架构图像的特征，然后是分类阶段，预测它属于训练期间建立的几个类别之一的可能性（图 2）。图 2：ML 专家使用专门的神经网络架构，例如这个卷积神经网络 (CNN) 来执行图像识别等特定任务。（图片来源：恩智浦半导体）图 2：ML 专家使用专门的神经网络架构，例如这个卷积神经网络 (CNN) 来执行图像识别等特定任务。（图片来源：恩智浦半导体）尽管选择合适的模型架构和训练方案仅限于 ML 专家，但多种开源和商业工具的可用性极大地简化了大规模部署的模型开发。如今，开发人员可以使用几行代码（清单 1）定义模型，并使用开源尽管选择合适的模型架构和训练方案仅限于 ML 专家，但多种开源和商业工具的可用性极大地简化了大规模部署的模型开发。如今，开发人员可以使用几行代码（清单 1）定义模型，并使用开源NetronNetron模型查看器等工具生成模型的图形表示（图 3），以检查每个层的定义和连接性。