TinyML : Machine Learning with TensorFlow Lite on Arduino and Ultra- Low- Power Microcontrollers / Pete Warden.
Tipo de material: TextoEditor: Boston, O´REILLY, 2020Descripción: xvi, 484 p. : il. ; 24 cmISBN: 9781492052043Tema(s): REDES NEURONALES | APRENDIZAJE AUTOMÁTICO -- TENSORFLOW | TENSORFLOWClasificación CDD: 005.133 Resumen: Las redes neuronales son cada vez más pequeñas. Mucho más pequeña. El equipo de OK Google, por ejemplo, ha ejecutado modelos de aprendizaje automático que tienen solo 14 kilobytes de tamaño, lo suficientemente pequeños como para funcionar en el procesador de señal digital en un teléfono Android. Con este práctico libro, aprenderá sobre TensorFlow Lite para microcontroladores, una minúscula biblioteca de aprendizaje automático que le permite ejecutar algoritmos de aprendizaje automático en hardware diminuto. Los autores Pete Warden y Daniel Situnayake explican cómo puede entrenar modelos que sean lo suficientemente pequeños para adaptarse a cualquier entorno, incluidos pequeños dispositivos integrados que pueden funcionar durante un año o más con una sola batería de celda de moneda. Ideal para desarrolladores de software y hardware que desean crear dispositivos integrados mediante el aprendizaje automático, esta guía le muestra cómo crear un proyecto TinyML paso a paso. No se necesita experiencia en aprendizaje automático o microcontroladores. Aprenda aplicaciones prácticas de aprendizaje automático en dispositivos integrados, incluidos usos simples como reconocimiento de voz y detección de gestos. Entrene modelos como reconocimiento de voz, acelerómetro e imagen, puede implementarlos en Arduino y otras plataformas integradas. Comprenda cómo trabajar con Arduino y ultrabajo consumo. microcontroladores Utilice técnicas para optimizar la latencia, el uso de energía y el modelo y el tamaño binario.Tipo de ítem | Ubicación actual | Colección | Signatura | Info Vol | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems |
---|---|---|---|---|---|---|---|---|---|
LIBRO - MATERIAL GENERAL | Biblioteca Jorge Álvarez Lleras Fondo general | Colección General | 005.133 W265t (Navegar estantería) | Ej.1 | 1 | Disponible | 029689 | ||
LIBRO - MATERIAL GENERAL | Biblioteca Jorge Álvarez Lleras Fondo general | Colección General | 005.133 W265t (Navegar estantería) | Ej.2 | 2 | Disponible | 029690 | ||
LIBRO - MATERIAL GENERAL | Biblioteca Jorge Álvarez Lleras Fondo general | Colección General | 005.133 W265t (Navegar estantería) | Ej.3 | 3 | Disponible | 029691 | ||
LIBRO - MATERIAL GENERAL | Biblioteca Jorge Álvarez Lleras Fondo general | Colección General | 005.133 W265t (Navegar estantería) | Ej.4 | 4 | Disponible | 029692 |
Navegando Biblioteca Jorge Álvarez Lleras Estantes, Ubicación: Fondo general, Código de colección: Colección General Cerrar el navegador de estanterías
Incluye índice
Las redes neuronales son cada vez más pequeñas. Mucho más pequeña. El equipo de OK Google, por ejemplo, ha ejecutado modelos de aprendizaje automático que tienen solo 14 kilobytes de tamaño, lo suficientemente pequeños como para funcionar en el procesador de señal digital en un teléfono Android. Con este práctico libro, aprenderá sobre TensorFlow Lite para microcontroladores, una minúscula biblioteca de aprendizaje automático que le permite ejecutar algoritmos de aprendizaje automático en hardware diminuto. Los autores Pete Warden y Daniel Situnayake explican cómo puede entrenar modelos que sean lo suficientemente pequeños para adaptarse a cualquier entorno, incluidos pequeños dispositivos integrados que pueden funcionar durante un año o más con una sola batería de celda de moneda. Ideal para desarrolladores de software y hardware que desean crear dispositivos integrados mediante el aprendizaje automático, esta guía le muestra cómo crear un proyecto TinyML paso a paso. No se necesita experiencia en aprendizaje automático o microcontroladores. Aprenda aplicaciones prácticas de aprendizaje automático en dispositivos integrados, incluidos usos simples como reconocimiento de voz y detección de gestos. Entrene modelos como reconocimiento de voz, acelerómetro e imagen, puede implementarlos en Arduino y otras plataformas integradas. Comprenda cómo trabajar con Arduino y ultrabajo consumo. microcontroladores Utilice técnicas para optimizar la latencia, el uso de energía y el modelo y el tamaño binario.
No hay comentarios en este titulo.