Uczenie maszynowe oparte na urządzeniach z TensorFlow Lite

Uruchamianie modeli uczenia maszynowego na urządzeniach mobilnych i brzegowych wymaga specjalistycznych technik, aby zapewnić wysoką wydajność bez obciążania baterii.Przejście z modeli klasy desktopowej na sprzęt o ograniczonych zasobach jest istotną umiejętnością dla współczesnych programistów. W tym kursie opanujesz podstawy TensorFlow Lite, aby dostosować, zoptymalizować i wykonać modele uczenia maszynowego bezpośrednio na platformach iOS i Android.Zrozumiesz, jak zmniejszyć rozmiary modelu przy zachowaniu dokładności, co pozwoli Ci budować responsywne, skoncentrowane na prywatności aplikacje mobilne, które działają całkowicie w trybie offline. Czego się nauczysz: - Zapoznaj się z podstawową architekturą TensorFlow Lite i przepływem pracy uczenia maszynowego na urządzeniu - Konwertuj standardowe modele TensorFlow na zoptymalizowany format flatbuffer - Zastosuj techniki kwantyzacji po treningu, aby radykalnie zmniejszyć rozmiar modelu i przyspieszyć wnioskowanie - Zintegruj zoptymalizowane modele z aplikacjami na Androida i iOS za pomocą czystych wzorców API - Skonfiguruj delegację sprzętu, aby wykorzystać mobilne procesory graficzne i jednostki przetwarzania neuronowego - Wdrażaj najlepsze praktyki zarządzania pamięcią i zużyciem baterii podczas wykonywania na urządzeniu Kurs zaczyna się od podstawowych koncepcji obliczeń brzegowych i konwersji modeli, a następnie przeprowadza krok po kroku pisemne implementacje dla obu głównych mobilnych systemów operacyjnych.Będziesz ćwiczyć optymalizację modeli za pomocą szczegółowych przykładów kodu i uporządkowanych ćwiczeń optymizacyjnych. Ten kurs jest przeznaczony dla programistów i początkujących inżynierów uczenia maszynowego, którzy chcą przenieść swoje modele na urządzenia mobilne.Nie jest wymagane wcześniejsze opracowanie mobilne ani zaawansowane doświadczenie sprzętowe, ponieważ zaczynamy od absolutnych podstaw ograniczeń i terminologii opartych na układach. Zacznij czytać już dziś, aby wypełnić lukę między teorią uczenia maszynowego a rzeczywistym wdrożeniem mobilnym.