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
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Nos Clients témoignent (4)

Cours Similaires

The Yocto Project - An Overview - hands-on

  28 heures

Embedded Linux Systems Architecture

  35 heures

Catégories Similaires