Wussten Sie, dass es möglich ist, Deep Learning-Training und Inferenz auf einem Arduino UNO-Mikrocontroller durchzuführen? Nun, das wusste ich nicht, bis heute! WOW!

Heute habe ich eine sehr interessante wissenschaftliche Arbeit mit dem Titel „SEFR: A Fast Linear-Time Classifier for Ultra-Low Power Devices„, das im Juni 2020 veröffentlicht wurde (aufgrund des Schreibens meiner Doktorarbeit hatte ich nicht die Möglichkeit, es früher zu entdecken).

„Die SEFR-Methode wird ausgeführt, indem eine Hyperebene erstellt wird, um zwei Klassen zu trennen. Die Gewichte dieser Hyperebene werden durch Normalisierung berechnet, und dann wird die Verzerrung auf der Grundlage der Gewichte berechnet. Die SEFR ist in Bezug auf die Klassifizierungsgenauigkeit mit den Klassifizierern nach dem Stand der Technik vergleichbar, aber die Ausführungszeit und der Energieverbrauch betragen 11,02% und 8,67% des Durchschnitts der Klassifizierer nach dem Stand der Technik und der Basislinien.“
Wenn Sie mehr über diese Forschungsarbeit lesen möchten, lesen Sie Simone’s Blog. Er kennt sich sehr gut damit aus; hat sogar auch das MicroML entwickelt.

Was ich sehr interessant finde, ist, dass Google in diese Richtung geht, indem es TensorFlow Lite for Microcontrollers vorschlägt.

„TensorFlow Lite für Mikrocontroller ist eine experimentelle Portierung von TensorFlow Lite, die entwickelt wurde, um Machine-Learning-Modelle auf Mikrocontrollern und anderen Geräten mit nur Kilobyte Speicher auszuführen. Es erfordert keine Betriebssystem-Unterstützung, keine Standard C oder C++ Bibliotheken oder dynamische Speicherzuweisung. Die Kernlaufzeit passt in 16 KB auf einen Arm Cortex M3 und nimmt mit genügend Operatoren zur Ausführung eines Sprachschlüsselwortdetektionsmodells insgesamt 22 KB ein. Es gibt Beispielanwendungen, die den Einsatz von Mikrocontrollern für Aufgaben wie Wakeword-Erkennung, Gestenklassifizierung aus Beschleunigungsmesserdaten und Bildklassifizierung anhand von Kameradaten demonstrieren.“




Imagine the huge amount of Deep Learning projects that can be implemented using Arduino. Spoiler Alert! 😉

Leave a Comment

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .

Scroll Up