使用现成的硬件和软件开始机器学习

2512916 2022-11-25 | pdf | 279.29KB | 次下载 | 免费

资料介绍

对于开发人员而言，机器学习 (ML) 硬件和软件的进步有望将这些复杂的方法引入物联网 (IoT) 边缘设备。然而，随着这一研究领域的发展，开发人员很容易发现自己沉浸在这些技术背后的深层理论中，而不是专注于当前可用的解决方案来帮助他们将基于 ML 的设计推向市场。对于开发人员而言，机器学习 (ML) 硬件和软件的进步有望将这些复杂的方法引入物联网 (IoT) 边缘设备。然而，随着这一研究领域的发展，开发人员很容易发现自己沉浸在这些技术背后的深层理论中，而不是专注于当前可用的解决方案来帮助他们将基于 ML 的设计推向市场。为了帮助设计人员更快地采取行动，本文简要回顾了 ML 的目标和功能、ML 开发周期，以及基本的全连接神经网络和卷积神经网络 (CNN) 的架构。然后讨论支持主流 ML 应用程序的框架、库和驱动程序。为了帮助设计人员更快地采取行动，本文简要回顾了 ML 的目标和功能、ML 开发周期，以及基本的全连接神经网络和卷积神经网络 (CNN) 的架构。然后讨论支持主流 ML 应用程序的框架、库和驱动程序。它最后展示了通用处理器和 FPGA 如何用作实现机器学习算法的硬件平台。它最后展示了通用处理器和 FPGA 如何用作实现机器学习算法的硬件平台。机器学习简介机器学习简介作为人工智能 (AI) 的一个子集，ML 涵盖了广泛的方法和算法。作为一种用于对数据进行分类或在数据流中寻找感兴趣模式的强大技术，它迅速受到关注。已经出现了广泛的算法来解决特定类型的问题。作为人工智能 (AI) 的一个子集，ML 涵盖了广泛的方法和算法。作为一种用于对数据进行分类或在数据流中寻找感兴趣模式的强大技术，它迅速受到关注。已经出现了广泛的算法来解决特定类型的问题。例如，聚类技术和其他无监督学习方法可以揭示大型数据集中不同类别的数据。强化学习提供了能够探索未知状态和选择替代解决方案的方法，目的是学习识别这些状态并在未来做出适当的反应。最后，监督学习方法使用代表所需输出的准备好的输入数据来教导算法如何对新输入数据进行分类。例如，聚类技术和其他无监督学习方法可以揭示大型数据集中不同类别的数据。强化学习提供了能够探索未知状态和选择替代解决方案的方法，目的是学习识别这些状态并在未来做出适当的反应。最后，监督学习方法使用代表所需输出的准备好的输入数据来教导算法如何对新输入数据进行分类。监督学习方法因使用精心准备的训练集而得名，这些训练集将输入数据（称为特征向量）与预期输出（称为标签）配对，以训练算法模型以在未来对未标记的输入数据模式进行分类。例如，开发人员可能有几个特征向量，其中包含不同的采样传感器值集，这些值都表示某些工业过程中的安全条件，而其他特征向量带有自己的传感器样本，都表示不安全条件。监督学习方法因使用精心准备的训练集而得名，这些训练集将输入数据（称为特征向量）与预期输出（称为标签）配对，以训练算法模型以在未来对未标记的输入数据模式进行分类。例如，开发人员可能有几个特征向量，其中包含不同的采样传感器值集，这些值都表示某些工业过程中的安全条件，而其他特征向量带有自己的传感器样本，都表示不安全条件。监督学习方法可以使用这些具有代表性的特征向量及其已知的安全/不安全标签来训练算法，以根据新的传感器值识别其他安全和不安全条件。监督学习方法可以使用这些具有代表性的特征向量及其已知的安全/不安全标签来训练算法，以根据新的传感器值识别其他安全和不安全条件。神经网络神经网络在监督学习方法中，神经网络算法因其准确分类数据的能力而迅速获得认可。一个基本的神经网络具有三个阶段（图 1）。第一个是输入层，包括输入特征向量中每个特征的输入。第二个是一些神经元的隐藏层，它们以不同的方式转换这些特征。第三层是输出层，它将转换的结果呈现为一组概率，输入特征向量可以用训练期间提供的标签之一进行分类。在监督学习方法中，神经网络算法因其准确分类数据的能力而迅速获得认可。一个基本的神经网络具有三个阶段（图 1）。第一个是输入层，包括输入特征向量中每个特征的输入。第二个是一些神经元的隐藏层，它们以不同的方式转换这些特征。