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

Número de participantes



Precio por participante

Testimonios (5)

Categorías Relacionadas