電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>使用現(xiàn)成的硬件和軟件開始機器學習

使用現(xiàn)成的硬件和軟件開始機器學習

2512916 2022-11-25 | pdf | 279.29KB | 次下載 | 免費

資料介紹

對于開發(fā)人員而言，機器學習 (ML) 硬件和軟件的進步有望將這些復雜的方法引入物聯(lián)網(wǎng) (IoT) 邊緣設備。然而，隨著這一研究領域的發(fā)展，開發(fā)人員很容易發(fā)現(xiàn)自己沉浸在這些技術背后的深層理論中，而不是專注于當前可用的解決方案來幫助他們將基于 ML 的設計推向市場。對于開發(fā)人員而言，機器學習 (ML) 硬件和軟件的進步有望將這些復雜的方法引入物聯(lián)網(wǎng) (IoT) 邊緣設備。然而，隨著這一研究領域的發(fā)展，開發(fā)人員很容易發(fā)現(xiàn)自己沉浸在這些技術背后的深層理論中，而不是專注于當前可用的解決方案來幫助他們將基于 ML 的設計推向市場。為了幫助設計人員更快地采取行動，本文簡要回顧了 ML 的目標和功能、ML 開發(fā)周期，以及基本的全連接神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡 (CNN) 的架構。然后討論支持主流 ML 應用程序的框架、庫和驅動程序。為了幫助設計人員更快地采取行動，本文簡要回顧了 ML 的目標和功能、ML 開發(fā)周期，以及基本的全連接神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡 (CNN) 的架構。然后討論支持主流 ML 應用程序的框架、庫和驅動程序。它最后展示了通用處理器和 FPGA 如何用作實現(xiàn)機器學習算法的硬件平臺。它最后展示了通用處理器和 FPGA 如何用作實現(xiàn)機器學習算法的硬件平臺。機器學習簡介機器學習簡介作為人工智能 (AI) 的一個子集，ML 涵蓋了廣泛的方法和算法。作為一種用于對數(shù)據(jù)進行分類或在數(shù)據(jù)流中尋找感興趣模式的強大技術，它迅速受到關注。已經(jīng)出現(xiàn)了廣泛的算法來解決特定類型的問題。作為人工智能 (AI) 的一個子集，ML 涵蓋了廣泛的方法和算法。作為一種用于對數(shù)據(jù)進行分類或在數(shù)據(jù)流中尋找感興趣模式的強大技術，它迅速受到關注。已經(jīng)出現(xiàn)了廣泛的算法來解決特定類型的問題。例如，聚類技術和其他無監(jiān)督學習方法可以揭示大型數(shù)據(jù)集中不同類別的數(shù)據(jù)。強化學習提供了能夠探索未知狀態(tài)和選擇替代解決方案的方法，目的是學習識別這些狀態(tài)并在未來做出適當?shù)姆磻?/font>最后，監(jiān)督學習方法使用代表所需輸出的準備好的輸入數(shù)據(jù)來教導算法如何對新輸入數(shù)據(jù)進行分類。例如，聚類技術和其他無監(jiān)督學習方法可以揭示大型數(shù)據(jù)集中不同類別的數(shù)據(jù)。強化學習提供了能夠探索未知狀態(tài)和選擇替代解決方案的方法，目的是學習識別這些狀態(tài)并在未來做出適當?shù)姆磻?/font>最后，監(jiān)督學習方法使用代表所需輸出的準備好的輸入數(shù)據(jù)來教導算法如何對新輸入數(shù)據(jù)進行分類。監(jiān)督學習方法因使用精心準備的訓練集而得名，這些訓練集將輸入數(shù)據(jù)（稱為特征向量）與預期輸出（稱為標簽）配對，以訓練算法模型以在未來對未標記的輸入數(shù)據(jù)模式進行分類。例如，開發(fā)人員可能有幾個特征向量，其中包含不同的采樣傳感器值集，這些值都表示某些工業(yè)過程中的安全條件，而其他特征向量帶有自己的傳感器樣本，都表示不安全條件。監(jiān)督學習方法因使用精心準備的訓練集而得名，這些訓練集將輸入數(shù)據(jù)（稱為特征向量）與預期輸出（稱為標簽）配對，以訓練算法模型以在未來對未標記的輸入數(shù)據(jù)模式進行分類。例如，開發(fā)人員可能有幾個特征向量，其中包含不同的采樣傳感器值集，這些值都表示某些工業(yè)過程中的安全條件，而其他特征向量帶有自己的傳感器樣本，都表示不安全條件。監(jiān)督學習方法可以使用這些具有代表性的特征向量及其已知的安全/不安全標簽來訓練算法，以根據(jù)新的傳感器值識別其他安全和不安全條件。監(jiān)督學習方法可以使用這些具有代表性的特征向量及其已知的安全/不安全標簽來訓練算法，以根據(jù)新的傳感器值識別其他安全和不安全條件。神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡在監(jiān)督學習方法中，神經(jīng)網(wǎng)絡算法因其準確分類數(shù)據(jù)的能力而迅速獲得認可。一個基本的神經(jīng)網(wǎng)絡具有三個階段（圖 1）。第一個是輸入層，包括輸入特征向量中每個特征的輸入。第二個是一些神經(jīng)元的隱藏層，它們以不同的方式轉換這些特征。第三層是輸出層，它將轉換的結果呈現(xiàn)為一組概率，輸入特征向量可以用訓練期間提供的標簽之一進行分類。在監(jiān)督學習方法中，神經(jīng)網(wǎng)絡算法因其準確分類數(shù)據(jù)的能力而迅速獲得認可。一個基本的神經(jīng)網(wǎng)絡具有三個階段（圖 1）。第一個是輸入層，包括輸入特征向量中每個特征的輸入。第二個是一些神經(jīng)元的隱藏層，它們以不同的方式轉換這些特征。