Tinyml: Apprendimento automatico con Tensorflow Lite su Arduino e microcontrollori a bassissima potenza

Recensioni dei lettori

Il libro fornisce una risorsa pratica per gli sviluppatori interessati a implementare l'apprendimento automatico su dispositivi con risorse limitate, con esempi pratici incentrati su TensorFlow e sull'edge computing. Tuttavia, soffre di risorse obsolete e di un supporto limitato per gli utenti Windows, che possono renderlo difficile per alcuni lettori.

Ben scritto e coinvolgente, accessibile agli sviluppatori di tutti i livelli.

Approccio pratico e pratico con demo ed esempi in Google Colab.

(basato su 40 recensioni dei lettori)

Titolo originale:

Tinyml: Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers

Contenuto del libro:

Le reti di apprendimento profondo stanno diventando sempre più piccole. Molto più piccole. Il team di Google Assistant è in grado di rilevare le parole con un modello di appena 14 kilobyte, abbastanza piccolo da essere eseguito su un microcontrollore. Con questo libro pratico entrerete nel campo del TinyML, dove l'apprendimento profondo e i sistemi embedded si combinano per rendere possibili cose sorprendenti con dispositivi minuscoli.

Pete Warden e Daniel Situnayake spiegano come addestrare modelli abbastanza piccoli da adattarsi a qualsiasi ambiente. Ideale per gli sviluppatori di software e hardware che vogliono costruire sistemi embedded utilizzando l'apprendimento automatico, questa guida vi accompagna passo dopo passo nella creazione di una serie di progetti TinyML. Non è necessaria alcuna esperienza di apprendimento automatico o di microcontrollore.

⬤ Costruite un riconoscitore vocale, una telecamera che rileva le persone e una bacchetta magica che risponde ai gesti.

⬤ Lavorare con Arduino e microcontrollori a bassissimo consumo.

⬤ Imparare gli elementi essenziali del ML e come addestrare i propri modelli.

⬤ Addestrare modelli per comprendere dati audio, immagini e accelerometri.

⬤ Esplorate TensorFlow Lite per microcontrollori, il toolkit di Google per TinyML.

⬤ Eseguire il debug delle applicazioni e fornire salvaguardie per la privacy e la sicurezza.

⬤ Ottimizzare la latenza, il consumo energetico e le dimensioni di modelli e binari.