Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa del Curso
Introducción
- El papel revolucionario de TensforFlow Lite en los sistemas integrados y el IoT
Descripción general de TensorFlow Lite Características y operaciones
- Abordarlos recursos limitados del dispositivo
- Operaciones predeterminadas y expandidas
Configuración TensorFlow Lite
- Instalación del intérprete TensorFlow Lite
- Instalación de otros paquetes de TensorFlow
- Trabajar desde la línea de comandos frente a la API de Python
Elegir un modelo para ejecutarlo en un dispositivo
- Visión general de los modelos previamente entrenados: clasificación de imágenes, detección de objetos, respuesta inteligente, estimación de pose, segmentación
- Elegir un modelo de TensorFlow Hub u otra fuente
Personalización de un modelo previamente entrenado
- Cómo funciona el aprendizaje por transferencia
- Volver a entrenar un modelo de clasificación de imágenes
Conversión de un modelo
- Comprender el formato TensorFlow Lite (tamaño, velocidad, optimizaciones, etc.)
- Conversión de un modelo al formato TensorFlow Lite
Ejecución de un modelo de predicción
- Comprender cómo funcionan juntos el modelo, el intérprete y los datos de entrada
- Llamar al intérprete desde un dispositivo
- Ejecución de datos a través del modelo para obtener predicciones
Aceleración de las operaciones del modelo
- Comprender la aceleración a bordo, GPUs, etc.
- Configuración de delegados para acelerar las operaciones
Adición de operaciones de modelo
- Uso de TensorFlow Seleccione para agregar operaciones a un modelo.
- Creación de una versión personalizada del intérprete
- Uso de operadores personalizados para escribir o portar nuevas operaciones
Optimización del modelo
- Comprender el equilibrio entre el rendimiento, el tamaño del modelo y la precisión
- Uso del kit de herramientas de optimización de modelos para optimizar el tamaño y el rendimiento de un modelo
- Cuantificación posterior al entrenamiento
Solución de problemas
Resumen y conclusión
Requerimientos
- Comprensión de los conceptos de aprendizaje profundo
- Experiencia en programación en Python
- Un dispositivo que ejecuta Linux integrado (Raspberry Pi, dispositivo Coral, etc.)
Audiencia
- Desarrolladores
- Científicos de datos interesados en sistemas embebidos
21 horas
Testimonios (2)
That the trainer adapts to our needs
Eduardo Fontecha - ORMAZABAL PROTECTION & AUTOMATION S.L.U.
Curso - The Yocto Project - An Overview - hands-on
I really enjoy having a virtual PC online, I can do exercises whenever I want