- Elementy indukcyjne
- Elementy półprzewodnikowe
- Czujniki
- Elementy dysktretne
- Mikrokontrolery
- Przełączniki
- Układy scalone
- Zarządzanie energią
- Cyfrowe potencjometry
- Czujniki temperatury
- Kontrolery mocy
- Moduły DC-DC
- Oświetlenie i wyświetlacze
- PMIC
- Pozostałe
- Przełączniki mocy
- Regulatory AC/DC Power Integrations
- Regulatory DC/DC
- Regulatory DC/DC Power Integrations
- Regulatory liniowe LDO
- Stabilizatory napięcia
- Sterowniki MOSFET
- Terminatory DDR
- Układy nadzorcze
- Ładowarki baterii
- Zestawy uruchomieniowe
- Komunikacja
- LED
- Przekaźniki
- Rezonatory filtry i źródła częstotliwości
- RFID
- Wyświetlacze
- Zasilacze impulsowe
Ważne informacje
Przenoszenie TensorFlow na krawędź - tf2mplabh3 firmy Microchip Technology
Firma Microchip Technology dąży do uproszczenia procesu od tworzenia modelu uczenia maszynowego do wdrożenia w systemach wbudowanych. Dlatego udostępniony został tf2mplabh3, pakiet Pythona o otwartym kodzie źródłowym, który łączy TensorFlow i frameworki Microchip oparte na architekturze bare-metal.
Czym jest tf2mplabh3?
tf2mplabh3 to wrapper, który umożliwia programistom konwersję modeli TensorFlow 2.x do pliku modelu C zoptymalizowanego pod kątem bezproblemowej integracji z projektami MPLAB® X. Narzędzie to zostało zaprojektowane, aby pomóc inżynierom systemów wbudowanych w wykorzystaniu wstępnie wytrenowanych lub niestandardowych modeli TensorFlow i ich efektywnym wdrożeniu w szerokiej gamie mikrokontrolerów i mikrokontrolerów firmy Microchip.
Kluczowe cechy
- Konwersja modelu: Bezproblemowo konwertuje zapisany model TensorFlow do unikalnego pliku modelu C, który zawiera zarówno wagi modelu, jak i silnik wnioskowania.
- Elastyczna obsługa modeli: Obsługuje oryginalne modele float32 lub ich skwantyzowane odpowiedniki int8.
- Solidna spójność wyników: Zapewnia niezawodne wdrażanie modelu poprzez uzyskanie niemal identycznych wyników między oryginalnym modelem TensorFlow a skompilowanym, z pomijalnymi metrykami błędów i 100% zgodnością w przewidywaniach Top-1 i Top-5 na przykładzie MobileNet V2.
Dlaczego jest to ważne?
Wdrażanie modeli uczenia maszynowego na urządzeniach brzegowych - szczególnie w środowiskach o ograniczonych zasobach - jest skomplikowane. tf2mplabh3 eliminuje ten problem, abstrahując od przeszkód technicznych i ściśle dostosowując się do naszych narzędzi wbudowanych. Niezależnie od tego, czy pracujesz z małymi modelami ML na 8-bitowych mikrokontrolerach, czy korzystasz z bardziej zaawansowanych sieci neuronowych na 32-bitowych i 64-bitowych procesorach, to narzędzie przyspiesza wdrażanie sztucznej inteligencji na krawędzi sieci.
Optymalizacja czasu wnioskowania
Optymalizacja czasu wnioskowania ma kluczowe znaczenie dla rzeczywistych wbudowanych aplikacji AI. Wykorzystując kompilatory Microchip XC - takie jak XC32-gcc - wraz z tf2mplabh3, programiści mogą osiągnąć znaczną poprawę wydajności. Kompilator MPLAB XC32-gcc obsługuje zaawansowane funkcje, takie jak autowektoryzacja, która automatycznie optymalizuje kod, aby wykorzystać dostępne przyspieszenie sprzętowe.
Przykład: Mikroprocesory serii SAMA5D2
SAMA5D2 to energooszczędna linia 32-bitowych mikroprocesorów opartych na architekturze Arm® Cortex®-A5, dzięki czemu nadaje się do zastosowań zasilanych bateryjnie i o ograniczonych zasobach. Rdzeń Cortex-A5 został zbudowany w oparciu o architekturę ARMv7, która obejmuje rozszerzenie architektury Arm NEON™ – silnik wektoryzacji. Arm NEON umożliwia wydajne przetwarzanie równoległe danych, znacznie przyspieszając zadania wymagające dużej mocy obliczeniowej, takie jak wnioskowanie w uczeniu maszynowym.
Podczas wdrażania modelu TensorFlow przekonwertowanego za pomocą tf2mplabh3 i skompilowanego za pomocą MPLAB XC32-gcc, SAMA5D29 wykazał imponujące skrócenie czasu wnioskowania o 84%. Ten wzrost wydajności jest bezpośrednim wynikiem optymalizacji kompilatora, które w pełni wykorzystują możliwości silnika Arm NEON i innych urządzeń. Ten przykład podkreśla silną synergię między tf2mplabh3, sprzętem Microchip i pakietem kompilatorów MPLAB XC, co pozwala na wydajne wykorzystanie sztucznej inteligencji na brzegu sieci.
Źródło: Microchip Technology Inc. Tłumaczenie: Gamma Sp. z o.o.
Gamma Sp. z o.o. jest autoryzowanym dystrybutorem rozwiązań firmy Microchip Technology Inc. w Polsce. Zachęcamy do kontaktu z naszym działem handlowym.
Pozostałe aktualności:

Dlaczego efektywność energetyczna ma znaczenie w przypadku dysków SSD...
Kontroler Flashtec NVMe 5016 został zaprojektowany do obsługi aplikacji korporacyjnych, takich jak przetwarzanie...

Skyworks Solutions wprowadza skalowalną, wielordzeniową rodzinę...
Rodzina SKY4680x rozszerza ofertę firmy Skyworks w zakresie systemów audio dla samochodów, wykraczając poza tunery i...

Microchip Technology ulepsza robotyczne czujniki dotykowe dzięki...
Firma Microchip Technology wprowadziła szybki digitalizator pojemnościowy ATFCD52, który konwertuje sygnały z...

Redriver USB firmy Microchip Technology ułatwia zwiększenie zasięgu w...
Rozwiązania USB Redriver firmy Microchip Technology pomagają projektantom rozszerzyć szybką łączność USB, zachowując...

Grupa YAGEO wprowadza na rynek transformator LLC PMG7277NLT do...
Grupa YAGEO kontynuuje wprowadzanie na rynek nowych transformatorów LLC, zaprojektowanych specjalnie do przełączania...

Aplikacja demonstracyjna wielokanałowego pomiaru z dzięki SoC PIC32CXMTC...
Projekt referencyjny aplikacji demonstracyjnej wielokanałowego inteligentnego pomiaru firmy Microchip Technology...

























