reklama - zainteresowany?

TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach - Helion

TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach
ebook
Autor: Pete Warden, Daniel Situnayake
Tytu艂 orygina艂u: TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers
T艂umaczenie: Anna Mizerska
ISBN: 978-83-283-8363-0
stron: 432, Format: ebook
Data wydania: 2022-02-15
Ksi臋garnia: Helion

Cena ksi膮偶ki: 49,50 z艂 (poprzednio: 99,00 z艂)
Oszcz臋dzasz: 50% (-49,50 z艂)

Dodaj do koszyka TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach

Tagi: Arduino | Uczenie maszynowe

Mo

Dodaj do koszyka TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach

 

Osoby kt贸re kupowa艂y "TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach", wybiera艂y tak偶e:

  • Arduino. Kurs video. Poziom pierwszy. Podstawowe techniki dla w艂asnych projekt贸w elektronicznych
  • Arduino od podstaw
  • Elektronika i internet rzeczy. Przewodnik dla ludzi z prawdziw膮 pasj膮
  • P艂ytki drukowane (PCB). Nauka i projekty od podstaw
  • Zosta艅 mistrzem Arduino. Projekty dla pocz膮tkuj膮cych i zaawansowanych

Dodaj do koszyka TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach

Spis tre艣ci

TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach eBook -- spis tre艣ci

  • Wst臋p
    • Konwencje typograficzne przyj臋te w tej ksi膮偶ce
    • Korzystanie z przyk艂adowych kod贸w
    • Podzi臋kowania
  • Rozdzia艂 1. Wprowadzenie
    • Urz膮dzenia z systemem wbudowanym
    • Ci膮g艂y rozw贸j
  • Rozdzia艂 2. Informacje wst臋pne
    • Do kogo skierowana jest ta ksi膮偶ka?
    • Jaki sprz臋t b臋dzie Ci potrzebny?
    • Jakie oprogramowanie b臋dzie Ci potrzebne?
    • Czego nauczysz si臋 dzi臋ki tej ksi膮偶ce?
  • Rozdzia艂 3. Wprowadzenie do uczenia maszynowego
    • Czym w艂a艣ciwie jest uczenie maszynowe?
    • Proces uczenia g艂臋bokiego
      • Okre艣lenie celu
      • Zebranie zestawu danych
        • Wyb贸r danych
        • Zbieranie danych
        • Etykietowanie danych
        • Nasz gotowy zestaw danych
      • Zaprojektowanie architektury modelu
        • Generowanie atrybut贸w z danych
          • Tworzenie okien czasowych
          • Normalizacja
        • My艣lenie z uczeniem maszynowym
      • Trenowanie modelu
        • Niedotrenowanie i przetrenowanie
        • Trening, walidacja i testowanie
      • Przekszta艂cenie modelu
      • Uruchomienie procesu wnioskowania
      • Ocena i rozwi膮zanie ewentualnych problem贸w
    • Podsumowanie
  • Rozdzia艂 4. Witaj, 艣wiecie TinyML: budowa i trenowanie modelu
    • Co b臋dziemy budowa膰?
    • Nasz zestaw narz臋dzi do uczenia maszynowego
      • Python i Jupyter Notebooks
      • Google Colaboratory
      • TensorFlow i Keras
    • Budowa naszego modelu
      • Importowanie pakiet贸w
      • Generowanie danych
      • Rozdzielanie danych
      • Definiowanie podstawowego modelu
    • Trenowanie naszego modelu
      • Wska藕niki treningu
      • Wykres historii
      • Ulepszenie naszego modelu
      • Test
    • Konwertowanie modelu na potrzeby TensorFlow Lite
      • Konwertowanie na plik C
    • Podsumowanie
  • Rozdzia艂 5. Witaj, 艣wiecie TinyML: budowanie aplikacji
    • Om贸wienie test贸w
      • Dodawanie zale偶no艣ci
      • Przygotowanie test贸w
      • Przygotowanie do rejestrowania danych
      • Mapowanie naszego modelu
      • Klasa AllOpsResolver
      • Alokacja pami臋ci dla modelu
      • Tworzenie interpretera
      • Sprawdzenie tensora wej艣cia
      • Uruchamianie procesu wnioskowania
      • Odczytywanie danych wyj艣ciowych
      • Uruchamianie test贸w
        • Pobieranie kodu
        • Uruchamianie test贸w za pomoc膮 Make
    • Budowa pliku z projektem
    • Om贸wienie kodu 藕r贸d艂owego
      • Pocz膮tek pliku main_functions.cc
      • Obs艂uga wyj艣cia za pomoc膮 output_handler.cc
      • Koniec pliku main_functions.cc
      • Om贸wienie pliku main.cc
      • Uruchomienie aplikacji
    • Podsumowanie
  • Rozdzia艂 6. Witaj, 艣wiecie TinyML: uruchomienie aplikacji na mikrokontrolerze
    • Czym w艂a艣ciwie jest mikrokontroler?
    • Arduino
      • Obs艂uga wyj艣cia na Arduino
      • Uruchomienie przyk艂adu
      • Wprowadzanie w艂asnych zmian
    • SparkFun Edge
      • Obs艂uga wyj艣cia na SparkFun Edge
      • Uruchomienie przyk艂adu
        • Kompilacja
        • Podpis pliku binarnego
        • Wgrywanie pliku binarnego
          • Pod艂膮czenie konwertera USB do p艂ytki
          • Pod艂膮czenie konwertera do komputera
          • Uruchomienie skryptu do wgrania nowego programu na p艂ytk臋
      • Testowanie programu
      • Sprawdzanie danych o przebiegu programu
      • Wprowadzanie w艂asnych zmian
    • Zestaw ST Microelectronics STM32F746G Discovery
      • Obs艂uga wyj艣cia na STM32F746G
      • Uruchomienie przyk艂adu
      • Wprowadzanie w艂asnych zmian
    • Podsumowanie
  • Rozdzia艂 7. Wykrywanie s艂owa wybudzaj膮cego: budowanie aplikacji
    • Co b臋dziemy tworzy膰?
    • Architektura aplikacji
      • Wprowadzenie do naszego modelu
      • Wszystkie elementy aplikacji
    • Om贸wienie test贸w
      • Podstawowy przep艂yw danych
      • Element dostarczaj膮cy dane audio
      • Element dostarczaj膮cy cechy
        • Spos贸b przetwarzania d藕wi臋ku na spektrogram przez element dostarczaj膮cy dane audio
      • Element rozpoznaj膮cy polecenia
      • Element reaguj膮cy na polecenia
    • Nas艂uchiwanie s艂贸w wybudzaj膮cych
      • Uruchomienie naszej aplikacji
    • Uruchomienie aplikacji na mikrokontrolerach
      • Arduino
        • Element reaguj膮cy na polecenia dla Arduino
        • Uruchomienie przyk艂adu
        • Wprowadzanie w艂asnych zmian
      • SparkFun Edge
        • Element reaguj膮cy na polecenia dla SparkFun Edge
        • Uruchomienie przyk艂adu
          • Kompilacja
          • Podpis pliku binarnego
          • Wgrywanie pliku binarnego
          • Pod艂膮czenie konwertera USB do p艂ytki
          • Pod艂膮czenie konwertera do komputera
          • Uruchomienie skryptu do wgrania nowego programu na p艂ytk臋
        • Testowanie programu
        • Sprawdzanie danych o przebiegu programu
        • Wprowadzanie w艂asnych zmian
      • Zestaw ST Microelectronics STM32F746G Discovery
        • Element reaguj膮cy na polecenia dla STM32F746G
        • Uruchomienie przyk艂adu
        • Testowanie programu
        • Podgl膮d informacji o przebiegu programu
        • Wprowadzanie w艂asnych zmian
    • Podsumowanie
  • Rozdzia艂 8. Wykrywanie s艂owa wybudzaj膮cego: trenowanie modelu
    • Trenowanie naszego nowego modelu
      • Trenowanie w Colab
        • Trenowanie z u偶yciem GPU
        • Konfiguracja treningu
        • Instalacja pakiet贸w
        • Narz臋dzie TensorBoard
        • Rozpocz臋cie treningu
        • Oczekiwanie na zako艅czenie treningu
          • Pilnowanie, by Colab si臋 nie wy艂膮czy艂
          • Zamra偶anie grafu
        • Konwertowanie na format TensorFlow Lite
        • Utworzenie tablicy C
    • Wykorzystanie modelu w naszym projekcie
      • Zast臋powanie modelu
      • Zmiana etykiet
      • Zmiany w kodzie command_responder.cc
        • Arduino
        • SparkFun Edge
        • STM32F746G
      • Inne sposoby uruchamiania skrypt贸w
    • Zasada dzia艂ania modelu
      • Wizualizacja danych wej艣ciowych
      • Zasada dzia艂ania generowania cech
      • Architektura modelu
      • Dane wyj艣ciowe modelu
    • Trenowanie modelu z w艂asnymi danymi
      • Zestaw danych Speech Commands
      • Trenowanie modelu na w艂asnych danych
      • Nagrywanie w艂asnych d藕wi臋k贸w
      • Powi臋kszenie zestawu danych
      • Architektury modeli
    • Podsumowanie
  • Rozdzia艂 9. Wykrywanie osoby: budowanie aplikacji
    • Co b臋dziemy budowa膰?
    • Architektura aplikacji
      • Wprowadzenie do naszego modelu
      • Wszystkie elementy aplikacji
    • Om贸wienie test贸w
      • Podstawowy przep艂yw danych
      • Element dostarczaj膮cy obrazy
      • Element reaguj膮cy na wykrycie cz艂owieka
    • Wykrywanie ludzi
    • Uruchomienie aplikacji na mikrokontrolerach
      • Arduino
        • Wyb贸r modu艂u kamery
        • Przechwytywanie obraz贸w na Arduino
        • Reagowanie na wykrycie cz艂owieka na Arduino
        • Uruchomienie przyk艂adu
        • Wprowadzanie w艂asnych zmian
      • SparkFun Edge
        • Wyb贸r modu艂u kamery
        • Przechwytywanie obraz贸w na SparkFun Edge
        • Reagowanie na wykrycie cz艂owieka na SparkFun Edge
        • Uruchomienie przyk艂adu
          • Kompilacja
          • Podpisanie pliku binarnego
          • Wgrywanie pliku binarnego
          • Pod艂膮czenie konwertera USB do p艂ytki
          • Pod艂膮czenie konwertera do komputera
          • Uruchomienie skryptu do wgrania nowego programu na p艂ytk臋
        • Testowanie programu
        • Sprawdzanie danych o przebiegu programu
        • Wprowadzanie w艂asnych zmian
    • Podsumowanie
  • Rozdzia艂 10. Wykrywanie osoby: trenowanie modelu
    • Wyb贸r maszyny
    • Konfiguracja instancji Google Cloud Platform
    • Wyb贸r platformy programistycznej do treningu
    • Tworzenie zestawu danych
    • Trenowanie modelu
    • TensorBoard
    • Ocena modelu
    • Eksportowanie modelu do TensorFlow Lite
      • Eksportowanie do pliku GraphDef Protobuf
      • Zamra偶anie wag
      • Kwantyzacja i konwertowanie na potrzeby TensorFlow Lite
      • Konwertowanie na plik 藕r贸d艂owy C
    • Trenowanie dla innych kategorii
    • Architektura MobileNet
    • Podsumowanie
  • Rozdzia艂 11. Magiczna r贸偶d偶ka: budowanie aplikacji
    • Co b臋dziemy tworzy膰?
    • Architektura aplikacji
      • Wprowadzenie do naszego modelu
      • Wszystkie elementy aplikacji
    • Om贸wienie test贸w
      • Podstawowy przep艂yw danych
      • Element obs艂uguj膮cy akcelerometr
      • Element przewiduj膮cy gesty
      • Element reaguj膮cy na wykrycie gestu
    • Wykrywanie gestu
    • Uruchomienie aplikacji na mikrokontrolerach
      • Arduino
        • Sta艂e Arduino
        • Odczytywanie pomiar贸w z akcelerometru na Arduino
        • Reagowanie na gesty za pomoc膮 Arduino
        • Uruchomienie przyk艂adu
        • Wprowadzanie w艂asnych zmian
      • SparkFun Edge
        • Odczytywanie pomiar贸w z akcelerometru na SparkFun Edge
        • Reagowanie na gesty za pomoc膮 SparkFun Edge
        • Uruchomienie przyk艂adu
          • Kompilacja
          • Podpis pliku binarnego
          • Wgrywanie pliku binarnego
          • Pod艂膮czenie konwertera USB do p艂ytki
          • Pod艂膮czenie konwertera do komputera
          • Uruchomienie skryptu do wgrania nowego programu na p艂ytk臋
        • Testowanie programu
        • Wprowadzanie w艂asnych zmian
    • Podsumowanie
  • Rozdzia艂 12. Magiczna r贸偶d偶ka: trenowanie modelu
    • Trenowanie modelu
      • Trening w Colab
        • Trenowanie z u偶yciem GPU
        • Instalacja pakiet贸w
        • Przygotowanie danych
        • Uruchomienie TensorBoard
        • Rozpocz臋cie treningu
        • Ocena wynik贸w
        • Utworzenie tablicy C
      • Inne sposoby uruchamiania skrypt贸w
    • Zasada dzia艂ania modelu
      • Wizualizacja danych wej艣ciowych
      • Architektura modelu
    • Trenowanie modelu z w艂asnymi danymi
      • Przechwytywanie danych
        • SparkFun Edge
        • Rejestrowanie danych
      • Modyfikacja skrypt贸w trenuj膮cych
      • Trening
      • Wykorzystanie nowego modelu
    • Podsumowanie
      • Uczenie si臋 uczenia maszynowego
      • Co dalej?
  • Rozdzia艂 13. TensorFlow Lite dla mikrokontroler贸w
    • Czym jest TensorFlow Lite dla mikrokontroler贸w?
      • TensorFlow
      • TensorFlow Lite
      • TensorFlow Lite dla mikrokontroler贸w
      • Wymagania
      • Dlaczego model potrzebuje interpretera?
      • Generowanie projektu
    • Kompilatory
      • Wyspecjalizowany kod
      • Pliki Makefile
      • Pisanie test贸w
    • Obs艂uga nowej platformy sprz臋towej
      • Wy艣wietlanie rejestru zdarze艅
      • Wdro偶enie funkcji DebugLog()
      • Uruchamianie wszystkich plik贸w 藕r贸d艂owych
      • Integracja z plikami Makefile
    • Obs艂uga nowego IDE lub kompilatora
    • Integrowanie zmian w kodzie projektu z repozytoriami
    • Wnoszenie swojego wk艂adu do kodu z otwartym 藕r贸d艂em
    • Obs艂uga nowego akceleratora sprz臋towego
    • Format pliku
      • Biblioteka FlatBuffers
    • Przenoszenie operacji TensorFlow Lite Mobile na wersj臋 dla mikrokontroler贸w
      • Oddzielanie kodu odniesienia
      • Utworzenie kopii operatora dla mikrokontrolera
      • Tworzenie wersji test贸w dla mikrokontroler贸w
      • Tworzenie testu Bazel
      • Dodanie swojego operatora do obiektu AllOpsResolver
      • Kompilacja testu pliku Makefile
    • Podsumowanie
  • Rozdzia艂 14. Projektowanie w艂asnych aplikacji TinyML
    • Projektowanie
    • Czy potrzebny jest mikrokontroler, czy mo偶e by膰 wi臋ksze urz膮dzenie?
    • Co jest mo偶liwe?
    • Pod膮偶anie czyimi艣 艣ladami
    • Podobne modele do trenowania
    • Sprawdzenie danych
    • Magia Czarnoksi臋偶nika z krainy Oz
    • Poprawnie dzia艂aj膮ca wersja na komputerze jako pierwszy etap
  • Rozdzia艂 15. Optymalizacja pr臋dko艣ci dzia艂ania programu
    • Pr臋dko艣膰 modelu a pr臋dko艣膰 og贸lna aplikacji
    • Zmiany sprz臋tu
    • Ulepszenia modelu
      • Ocena op贸藕nienia modelu
      • Przyspieszanie modelu
    • Kwantyzacja
    • Etap projektowania produktu
    • Optymalizacje kodu
      • Profilowanie wydajno艣ci
        • Miganie
        • Metoda strzelby
        • Wy艣wietlanie informacji z przebiegu programu
        • Analizator stan贸w logicznych
        • Licznik
        • Profilowanie
    • Optymalizowanie operacji
      • Implementacje ju偶 zoptymalizowane
      • Tworzenie w艂asnej zoptymalizowanej implementacji
      • Wykorzystanie funkcjonalno艣ci sprz臋tu
      • Akceleratory i koprocesory
    • Wnoszenie swojego wk艂adu do kodu z otwartym 藕r贸d艂em
    • Podsumowanie
  • Rozdzia艂 16. Optymalizacja poboru mocy
    • Rozwijanie intuicji
      • Pob贸r mocy standardowych element贸w
      • Wyb贸r sprz臋tu
    • Pomiar rzeczywistego poboru mocy
    • Oszacowanie poboru mocy modelu
    • Ulepszenia zwi膮zane z zu偶yciem energii
      • Cykl pracy
      • Projektowanie kaskadowe
    • Podsumowanie
  • Rozdzia艂 17. Optymalizacja modelu i rozmiaru pliku binarnego
    • Zrozumienie ogranicze艅 w艂asnego systemu
    • Oszacowanie zu偶ycia pami臋ci
      • Zu偶ycie pami臋ci flash
      • Zu偶ycie pami臋ci RAM
    • Szacunkowe warto艣ci dok艂adno艣ci i rozmiaru modelu przy r贸偶nych problemach
      • Model rozpoznaj膮cy s艂owa wybudzaj膮ce
      • Model predykcyjnego utrzymania
      • Wykrywanie obecno艣ci cz艂owieka
    • Wyb贸r modelu
    • Zmniejszenie rozmiaru pliku wykonywalnego
      • Mierzenie rozmiaru kodu
      • Ile miejsca zajmuje TensorFlow Lite dla mikrokontroler贸w?
      • OpResolver
      • Rozmiar pojedynczych funkcji
      • Sta艂e w platformie TensorFlow Lite
    • Naprawd臋 malutkie modele
    • Podsumowanie
  • Rozdzia艂 18. Debugowanie
    • R贸偶nica w dok艂adno艣ci mi臋dzy treningiem a wdro偶eniem
      • R贸偶nice we wst臋pnym przetwarzaniu danych
      • Debugowanie wst臋pnego przetwarzania danych
      • Ocena dzia艂ania programu na urz膮dzeniu docelowym
    • R贸偶nice liczbowe
      • Czy r贸偶nice stanowi膮 problem?
      • Ustalenie wska藕nika
      • Punkt odniesienia
      • Zamiana implementacji
    • Tajemnicze awarie
      • Debugowanie na pulpicie
      • Sprawdzanie rejestru
      • Debugowanie metod膮 strzelby
      • B艂臋dy zwi膮zane z pami臋ci膮
    • Podsumowanie
  • Rozdzia艂 19. Przenoszenie modelu z TensorFlow do TensorFlow Lite
    • Okre艣lenie wymaganych operacji
    • Operacje obs艂ugiwane w TensorFlow Lite
    • Przeniesienie wst臋pnego i ko艅cowego przetwarzania do kodu aplikacji
    • Implementacja niezb臋dnych operacji
    • Optymalizacja operacji
    • Podsumowanie
  • Rozdzia艂 20. Prywatno艣膰, bezpiecze艅stwo i wdra偶anie
    • Prywatno艣膰
      • PDD
        • Zbieranie danych
        • Wykorzystanie danych
        • Dzielenie si臋 danymi i ich przechowywanie
        • Zgoda
      • U偶ywanie PDD
    • Bezpiecze艅stwo
      • Ochrona modeli
    • Wdro偶enie
      • Przej艣cie od p艂ytki do produktu
    • Podsumowanie
  • Rozdzia艂 21. Poszerzanie wiedzy
    • Fundacja TinyML
    • SIG Micro
    • Strona internetowa TensorFlow
    • Inne platformy programistyczne
    • Twitter
    • Przyjaciele TinyML
    • Podsumowanie
  • Dodatek A U偶ywanie i tworzenie biblioteki Arduino w formacie ZIP
  • Dodatek B Przechwytywanie d藕wi臋ku na Arduino
    • O autorach
    • Kolofon

Dodaj do koszyka TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe nale偶膮 do wydawnictwa Helion S.A.