使用現成的硬件和軟件開始機器學習

2512916 2022-11-25 | pdf | 279.29KB | 次下載 | 免費

資料介紹

對于開發人員而言，機器學習 (ML) 硬件和軟件的進步有望將這些復雜的方法引入物聯網 (IoT) 邊緣設備。然而，隨著這一研究領域的發展，開發人員很容易發現自己沉浸在這些技術背后的深層理論中，而不是專注于當前可用的解決方案來幫助他們將基于 ML 的設計推向市場。對于開發人員而言，機器學習 (ML) 硬件和軟件的進步有望將這些復雜的方法引入物聯網 (IoT) 邊緣設備。然而，隨著這一研究領域的發展，開發人員很容易發現自己沉浸在這些技術背后的深層理論中，而不是專注于當前可用的解決方案來幫助他們將基于 ML 的設計推向市場。為了幫助設計人員更快地采取行動，本文簡要回顧了 ML 的目標和功能、ML 開發周期，以及基本的全連接神經網絡和卷積神經網絡 (CNN) 的架構。然后討論支持主流 ML 應用程序的框架、庫和驅動程序。為了幫助設計人員更快地采取行動，本文簡要回顧了 ML 的目標和功能、ML 開發周期，以及基本的全連接神經網絡和卷積神經網絡 (CNN) 的架構。然后討論支持主流 ML 應用程序的框架、庫和驅動程序。它最后展示了通用處理器和 FPGA 如何用作實現機器學習算法的硬件平臺。它最后展示了通用處理器和 FPGA 如何用作實現機器學習算法的硬件平臺。機器學習簡介機器學習簡介作為人工智能 (AI) 的一個子集，ML 涵蓋了廣泛的方法和算法。作為一種用于對數據進行分類或在數據流中尋找感興趣模式的強大技術，它迅速受到關注。已經出現了廣泛的算法來解決特定類型的問題。作為人工智能 (AI) 的一個子集，ML 涵蓋了廣泛的方法和算法。作為一種用于對數據進行分類或在數據流中尋找感興趣模式的強大技術，它迅速受到關注。已經出現了廣泛的算法來解決特定類型的問題。例如，聚類技術和其他無監督學習方法可以揭示大型數據集中不同類別的數據。強化學習提供了能夠探索未知狀態和選擇替代解決方案的方法，目的是學習識別這些狀態并在未來做出適當的反應。最后，監督學習方法使用代表所需輸出的準備好的輸入數據來教導算法如何對新輸入數據進行分類。例如，聚類技術和其他無監督學習方法可以揭示大型數據集中不同類別的數據。強化學習提供了能夠探索未知狀態和選擇替代解決方案的方法，目的是學習識別這些狀態并在未來做出適當的反應。最后，監督學習方法使用代表所需輸出的準備好的輸入數據來教導算法如何對新輸入數據進行分類。監督學習方法因使用精心準備的訓練集而得名，這些訓練集將輸入數據（稱為特征向量）與預期輸出（稱為標簽）配對，以訓練算法模型以在未來對未標記的輸入數據模式進行分類。例如，開發人員可能有幾個特征向量，其中包含不同的采樣傳感器值集，這些值都表示某些工業過程中的安全條件，而其他特征向量帶有自己的傳感器樣本，都表示不安全條件。監督學習方法因使用精心準備的訓練集而得名，這些訓練集將輸入數據（稱為特征向量）與預期輸出（稱為標簽）配對，以訓練算法模型以在未來對未標記的輸入數據模式進行分類。例如，開發人員可能有幾個特征向量，其中包含不同的采樣傳感器值集，這些值都表示某些工業過程中的安全條件，而其他特征向量帶有自己的傳感器樣本，都表示不安全條件。監督學習方法可以使用這些具有代表性的特征向量及其已知的安全/不安全標簽來訓練算法，以根據新的傳感器值識別其他安全和不安全條件。監督學習方法可以使用這些具有代表性的特征向量及其已知的安全/不安全標簽來訓練算法，以根據新的傳感器值識別其他安全和不安全條件。神經網絡神經網絡在監督學習方法中，神經網絡算法因其準確分類數據的能力而迅速獲得認可。一個基本的神經網絡具有三個階段（圖 1）。第一個是輸入層，包括輸入特征向量中每個特征的輸入。第二個是一些神經元的隱藏層，它們以不同的方式轉換這些特征。第三層是輸出層，它將轉換的結果呈現為一組概率，輸入特征向量可以用訓練期間提供的標簽之一進行分類。在監督學習方法中，神經網絡算法因其準確分類數據的能力而迅速獲得認可。一個基本的神經網絡具有三個階段（圖 1）。第一個是輸入層，包括輸入特征向量中每個特征的輸入。第二個是一些神經元的隱藏層，它們以不同的方式轉換這些特征。