電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>使用現(xiàn)成的硬件和軟件開(kāi)始機(jī)器學(xué)習(xí)

使用現(xiàn)成的硬件和軟件開(kāi)始機(jī)器學(xué)習(xí)

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

資料介紹

對(duì)于開(kāi)發(fā)人員而言，機(jī)器學(xué)習(xí) (ML) 硬件和軟件的進(jìn)步有望將這些復(fù)雜的方法引入物聯(lián)網(wǎng) (IoT) 邊緣設(shè)備。然而，隨著這一研究領(lǐng)域的發(fā)展，開(kāi)發(fā)人員很容易發(fā)現(xiàn)自己沉浸在這些技術(shù)背后的深層理論中，而不是專(zhuān)注于當(dāng)前可用的解決方案來(lái)幫助他們將基于 ML 的設(shè)計(jì)推向市場(chǎng)。對(duì)于開(kāi)發(fā)人員而言，機(jī)器學(xué)習(xí) (ML) 硬件和軟件的進(jìn)步有望將這些復(fù)雜的方法引入物聯(lián)網(wǎng) (IoT) 邊緣設(shè)備。然而，隨著這一研究領(lǐng)域的發(fā)展，開(kāi)發(fā)人員很容易發(fā)現(xiàn)自己沉浸在這些技術(shù)背后的深層理論中，而不是專(zhuān)注于當(dāng)前可用的解決方案來(lái)幫助他們將基于 ML 的設(shè)計(jì)推向市場(chǎng)。為了幫助設(shè)計(jì)人員更快地采取行動(dòng)，本文簡(jiǎn)要回顧了 ML 的目標(biāo)和功能、ML 開(kāi)發(fā)周期，以及基本的全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò) (CNN) 的架構(gòu)。然后討論支持主流 ML 應(yīng)用程序的框架、庫(kù)和驅(qū)動(dòng)程序。為了幫助設(shè)計(jì)人員更快地采取行動(dòng)，本文簡(jiǎn)要回顧了 ML 的目標(biāo)和功能、ML 開(kāi)發(fā)周期，以及基本的全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò) (CNN) 的架構(gòu)。然后討論支持主流 ML 應(yīng)用程序的框架、庫(kù)和驅(qū)動(dòng)程序。它最后展示了通用處理器和 FPGA 如何用作實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的硬件平臺(tái)。它最后展示了通用處理器和 FPGA 如何用作實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的硬件平臺(tái)。機(jī)器學(xué)習(xí)簡(jiǎn)介機(jī)器學(xué)習(xí)簡(jiǎn)介作為人工智能 (AI) 的一個(gè)子集，ML 涵蓋了廣泛的方法和算法。作為一種用于對(duì)數(shù)據(jù)進(jìn)行分類(lèi)或在數(shù)據(jù)流中尋找感興趣模式的強(qiáng)大技術(shù)，它迅速受到關(guān)注。已經(jīng)出現(xiàn)了廣泛的算法來(lái)解決特定類(lèi)型的問(wèn)題。作為人工智能 (AI) 的一個(gè)子集，ML 涵蓋了廣泛的方法和算法。作為一種用于對(duì)數(shù)據(jù)進(jìn)行分類(lèi)或在數(shù)據(jù)流中尋找感興趣模式的強(qiáng)大技術(shù)，它迅速受到關(guān)注。已經(jīng)出現(xiàn)了廣泛的算法來(lái)解決特定類(lèi)型的問(wèn)題。例如，聚類(lèi)技術(shù)和其他無(wú)監(jiān)督學(xué)習(xí)方法可以揭示大型數(shù)據(jù)集中不同類(lèi)別的數(shù)據(jù)。強(qiáng)化學(xué)習(xí)提供了能夠探索未知狀態(tài)和選擇替代解決方案的方法，目的是學(xué)習(xí)識(shí)別這些狀態(tài)并在未來(lái)做出適當(dāng)?shù)姆磻?yīng)。最后，監(jiān)督學(xué)習(xí)方法使用代表所需輸出的準(zhǔn)備好的輸入數(shù)據(jù)來(lái)教導(dǎo)算法如何對(duì)新輸入數(shù)據(jù)進(jìn)行分類(lèi)。例如，聚類(lèi)技術(shù)和其他無(wú)監(jiān)督學(xué)習(xí)方法可以揭示大型數(shù)據(jù)集中不同類(lèi)別的數(shù)據(jù)。強(qiáng)化學(xué)習(xí)提供了能夠探索未知狀態(tài)和選擇替代解決方案的方法，目的是學(xué)習(xí)識(shí)別這些狀態(tài)并在未來(lái)做出適當(dāng)?shù)姆磻?yīng)。最后，監(jiān)督學(xué)習(xí)方法使用代表所需輸出的準(zhǔn)備好的輸入數(shù)據(jù)來(lái)教導(dǎo)算法如何對(duì)新輸入數(shù)據(jù)進(jìn)行分類(lèi)。監(jiān)督學(xué)習(xí)方法因使用精心準(zhǔn)備的訓(xùn)練集而得名，這些訓(xùn)練集將輸入數(shù)據(jù)（稱(chēng)為特征向量）與預(yù)期輸出（稱(chēng)為標(biāo)簽）配對(duì)，以訓(xùn)練算法模型以在未來(lái)對(duì)未標(biāo)記的輸入數(shù)據(jù)模式進(jìn)行分類(lèi)。例如，開(kāi)發(fā)人員可能有幾個(gè)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(yè)過(guò)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(jiān)督學(xué)習(xí)方法因使用精心準(zhǔn)備的訓(xùn)練集而得名，這些訓(xùn)練集將輸入數(shù)據(jù)（稱(chēng)為特征向量）與預(yù)期輸出（稱(chēng)為標(biāo)簽）配對(duì)，以訓(xùn)練算法模型以在未來(lái)對(duì)未標(biāo)記的輸入數(shù)據(jù)模式進(jìn)行分類(lèi)。例如，開(kāi)發(fā)人員可能有幾個(gè)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(yè)過(guò)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(jiān)督學(xué)習(xí)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(biāo)簽來(lái)訓(xùn)練算法，以根據(jù)新的傳感器值識(shí)別其他安全和不安全條件。監(jiān)督學(xué)習(xí)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(biāo)簽來(lái)訓(xùn)練算法，以根據(jù)新的傳感器值識(shí)別其他安全和不安全條件。神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)在監(jiān)督學(xué)習(xí)方法中，神經(jīng)網(wǎng)絡(luò)算法因其準(zhǔn)確分類(lèi)數(shù)據(jù)的能力而迅速獲得認(rèn)可。一個(gè)基本的神經(jīng)網(wǎng)絡(luò)具有三個(gè)階段（圖 1）。第一個(gè)是輸入層，包括輸入特征向量中每個(gè)特征的輸入。第二個(gè)是一些神經(jīng)元的隱藏層，它們以不同的方式轉(zhuǎn)換這些特征。第三層是輸出層，它將轉(zhuǎn)換的結(jié)果呈現(xiàn)為一組概率，輸入特征向量可以用訓(xùn)練期間提供的標(biāo)簽之一進(jìn)行分類(lèi)。在監(jiān)督學(xué)習(xí)方法中，神經(jīng)網(wǎng)絡(luò)算法因其準(zhǔn)確分類(lèi)數(shù)據(jù)的能力而迅速獲得認(rèn)可。一個(gè)基本的神經(jīng)網(wǎng)絡(luò)具有三個(gè)階段（圖 1）。第一個(gè)是輸入層，包括輸入特征向量中每個(gè)特征的輸入。第二個(gè)是一些神經(jīng)元的隱藏層，它們以不同的方式轉(zhuǎn)換這些特征。