hiskio

    TinyML經典範例集

    結合人工智慧與超低功耗嵌入式裝置，讓這個世界更聰明

    收集中
    US$16.25

    內容簡介


    結合人工智慧與超低功耗嵌入式裝置，讓這個世界更聰明

    本書介紹TinyML這項快速發展的技術，結合了機器學習與嵌入式系統，讓微控制器這類超低功耗裝置上得以實現AI。在開頭會先針對這個整合了諸多學科的領域進行了相當實用的介紹，讓您可快速理解要在Arduino Nano 33 BLE Sense與Raspberry Pi Pico上部署智能應用的關鍵點。

    本書可以幫助你了解如何處理在製作微處理器原型時所碰到的各種問題，例如透過GPIO腳位來控制LED狀態、讀取按鈕狀態，以及透過電池來對微處理器供電。並且會帶著你實作與溫度、濕度與三V感測器(語音、視覺與振動)有關的專題，並從中理解在不同情境中實作端對端智能應用的必要技術。接著，告訴你如何為記憶體有限的微處理器來建置微型模型的最佳方案。最後會介紹兩項最新的技術：microTVM 與microNPU，讓你在TinyML領域中更上一層樓。

    看完本書之後，可以幫助你建立各種最佳實作方案與機器學習框架的基本概念，知道如何輕鬆在各種微控制器上部署機器學習app，並且對於開發階段所要考量的關鍵因素有清楚的理解。

    本書精彩內容包括：
    ．理解微控制器程式設計的重要基礎觀念
    ．操作真實感測器，包含麥克風、照相機與加速度計
    ．運用TensorFlow Lite for Microcontrollers框架在各種裝置上執行機器學習應用
    ．使用Edge Impulse開發可回應人類語音的app
    ．操作Arduino Nano 33 BLE Sense並搭配遷移學習技術來分類室內環境。
    ．使用Raspberry Pi Pico來製作手勢辨識app
    ．設計可用於記憶體受限之微控制器的CIFAR-10模型
    ．在虛擬的Arm Ethos-U55 microNPU上搭配microTVM來執行影像分類器

    作者介紹


    Gian Marco Iodice 是Arm公司機器學習小組的技術主管，並在2017年與同事開發出了Arm Compute Library。Arm Compute Library目前是Arm平台上功能最強大的機器學習函式庫，已被部署在涵蓋伺服器到智慧型手機等全球數以百萬計的裝置上了。Gian Marco擁有義大利比薩大學(University of Pisa)的電機工程碩士學位與高等學士學位，並在各種邊緣裝置上開發ML與電腦視覺演算法有多年經驗。他現在正致力於Arm Mali GPU的ML效能最佳化。他與友人在2020年共同創辦了TinyML UK meetup群組，鼓勵知識分享、教學與激勵新一代的ML開發者來探索各種微型節能裝置。

    目錄


    第1章 TinyML入門
    第2章 用微控制器開發原型
    第3章 建立氣象站
    第4章 透過 Edge Impulse 聲控 LED
    第5章 室內場景分類
    第6章 製作 YouTube Playback的手勢互動介面
    第7章 使用 Zephyr OS 執行 Tiny CIFAR-10 模型
    第8章 與 microNPU 一同邁向 TinyML新世代

    章節目錄

    • 1-1
      封面頁
    • 1-2
      書名頁
    • 1-3
      推薦序
    • 1-4
      本書貢獻者
    • 1-5
      目錄
    • 1-6
      前言
    • 1-7
      CH01 TinyML 入門
    • 1-8
      技術需求
    • 1-9
      TinyML 簡介
    • 1-10
      什麼是 TinyML ？
    • 1-11
      為什麼要在微控制器上使用 ML ？
    • 1-12
      為什麼要在區域網路執行 ML ？
    • 1-13
      TinyML 的發展機會與挑戰
    • 1-14
      TinyML 的部署環境
    • 1-15
      tinyML 基金會
    • 1-16
      深度學習概要
    • 1-17
      深度神經網路
    • 1-18
      卷積神經網路
    • 1-19
      量化
    • 1-20
      認識功率與能量的差異
    • 1-21
      電壓與電流
    • 1-22
      功率與能量
    • 1-23
      微控制器的程式設計
    • 1-24
      記憶體架構
    • 1-25
      週邊
    • 1-26
      認識Arduino Nano 33 BLE Sense 與RPi Pico
    • 1-27
      設定Arduino Web Editor、TensorFlow和Edge Impulse
    • 1-28
      Arduino Web Editor 之事前準備
    • 1-29
      TensorFlow 之事前準備
    • 1-30
      Edge Impulse 之事前準備
    • 1-31
      實作步驟
    • 1-32
      於Arduino Nano 和RPi Pico 上執行草稿碼
    • 1-33
      事前準備
    • 1-34
      實作步驟
    • 1-35
      CH02 用微控制器開發原型
    • 1-36
      技術需求
    • 1-37
      基本程式碼除錯
    • 1-38
      事前準備
    • 1-39
      實作步驟
    • 1-40
      補充
    • 1-41
      於麵包板實作LED 狀態指示燈
    • 1-42
      事前準備
    • 1-43
      實作步驟
    • 1-44
      用GPIO 腳位控制外接LED
    • 1-45
      事前準備
    • 1-46
      實作步驟
    • 1-47
      用按鈕開關控制LED
    • 1-48
      事前準備
    • 1-49
      實作步驟
    • 1-50
      利用中斷讀取按鈕狀態
    • 1-51
      事前準備
    • 1-52
      實作步驟
    • 1-53
      透過電池供電
    • 1-54
      事前準備
    • 1-55
      實作步驟
    • 1-56
      補充
    • 1-57
      CH03 建立氣象站
    • 1-58
      技術需求
    • 1-59
      從WorldWeatherOnline 匯入天氣資料
    • 1-60
      事前準備
    • 1-61
      實作步驟
    • 1-62
      準備資料集
    • 1-63
      事前準備
    • 1-64
      實作步驟
    • 1-65
      用TF 訓練模型
    • 1-66
      事前準備
    • 1-67
      實作步驟
    • 1-68
      評估模型的有效性
    • 1-69
      事前準備
    • 1-70
      實作步驟
    • 1-71
      使用TFLite 轉換器量化模型
    • 1-72
      事前準備
    • 1-73
      實作步驟
    • 1-74
      使用Arduino Nano 內建的溫度與濕度感測器
    • 1-75
      事前準備
    • 1-76
      實作步驟
    • 1-77
      在RPi Pico 上使用DHT22 感測器
    • 1-78
      事前準備
    • 1-79
      實作步驟
    • 1-80
      為模型推論準備輸入特徵
    • 1-81
      事前準備
    • 1-82
      實作步驟
    • 1-83
      使用TFLu 於裝置上執行推論
    • 1-84
      事前準備
    • 1-85
      實作步驟
    • 1-86
      CH04 透過Edge Impulse 聲控LED
    • 1-87
      技術需求
    • 1-88
      使用智慧型手機收集語音資料
    • 1-89
      事前準備
    • 1-90
      實作步驟
    • 1-91
      從語音樣本擷取MFCC 特徵
    • 1-92
      事前準備
    • 1-93
      實作步驟
    • 1-94
      設計與訓練神經網路模型
    • 1-95
      事前準備
    • 1-96
      實作步驟
    • 1-97
      使用EON Tuner 調整模型性能
    • 1-98
      事前準備
    • 1-99
      實作步驟
    • 1-100
      使用智慧型手機進行即時分類
    • 1-101
      事前準備
    • 1-102
      實作步驟
    • 1-103
      使用Arduino Nano 進行即時分類
    • 1-104
      事前準備
    • 1-105
      實作步驟
    • 1-106
      在Arduino Nano 上連續推論
    • 1-107
      事前準備
    • 1-108
      實作步驟
    • 1-109
      使用RPi Pico 建立電路以聲控LED
    • 1-110
      事前準備
    • 1-111
      實作步驟
    • 1-112
      在RPi Pico 上藉由ADC 和計時器中斷進行語音抽樣
    • 1-113
      事前準備
    • 1-114
      實作步驟
    • 1-115
      補充
    • 1-116
      CH05 室內場景分類
    • 1-117
      技術需求
    • 1-118
      使用OV7670 攝影機模組來拍照
    • 1-119
      事前準備
    • 1-120
      實作步驟
    • 1-121
      使用Python 由序列埠取得攝影機影格
    • 1-122
      事前準備
    • 1-123
      實作步驟
    • 1-124
      將QQVGA 影像由YCbCr422 轉換為RGB888
    • 1-125
      事前準備
    • 1-126
      實作步驟
    • 1-127
      建置用於室內場景分類的資料集
    • 1-128
      事前準備
    • 1-129
      實作步驟
    • 1-130
      使用Keras 進行遷移學習
    • 1-131
      事前準備
    • 1-132
      實作步驟
    • 1-133
      準備並測試量化後的TFLite 模型
    • 1-134
      事前準備
    • 1-135
      實作步驟
    • 1-136
      降低RAM 的使用量
    • 1-137
      事前準備
    • 1-138
      實作步驟
    • 1-139
      CH06 製作YouTube Playback 的手勢互動介面
    • 1-140
      技術需求
    • 1-141
      透過I2C 介面與MPU-6050 IMU 溝通
    • 1-142
      事前準備
    • 1-143
      實作步驟
    • 1-144
      取得加速度計資料
    • 1-145
      事前準備
    • 1-146
      實作步驟
    • 1-147
      使用Edge Impulse data forwarder 來建立資料集
    • 1-148
      事前準備
    • 1-149
      實作步驟
    • 1-150
      設計與訓練ML 模型
    • 1-151
      事前準備
    • 1-152
      實作步驟
    • 1-153
      使用Edge Impulse Data forwarder 進行即時分類
    • 1-154
      事前準備
    • 1-155
      實作步驟
    • 1-156
      RPi Pico 搭配Arm Mbed OS 進行手勢辨識
    • 1-157
      事前準備
    • 1-158
      實作步驟
    • 1-159
      使用PyAutoGUI 建置以手勢為基礎的介面
    • 1-160
      事前準備
    • 1-161
      實作步驟
    • 1-162
      CH07 使用Zephyr OS 執行Tiny CIFAR-10 模型
    • 1-163
      技術需求
    • 1-164
      認識Zephyr OS
    • 1-165
      事前準備
    • 1-166
      實作步驟
    • 1-167
      設計與訓練微型 CIFAR-10 模型
    • 1-168
      事前準備
    • 1-169
      實作步驟
    • 1-170
      評估TFLite 模型的準確率
    • 1-171
      事前準備
    • 1-172
      實作步驟
    • 1-173
      將 NumPy 影像轉換為C 位元組陣列
    • 1-174
      事前準備
    • 1-175
      實作步驟
    • 1-176
      準備TFLu 專案的架構
    • 1-177
      事前準備
    • 1-178
      實作步驟
    • 1-179
      在QEMU 上建置與執行TFLu 應用程式
    • 1-180
      事前準備
    • 1-181
      實作步驟
    • 1-182
      CH08 與microNPU 一同邁向TinyML 新世代
    • 1-183
      技術需求
    • 1-184
      設定Arm Corstone-300 FVP
    • 1-185
      事前準備
    • 1-186
      實作步驟
    • 1-187
      安裝可支援Arm Ethos-U 的TVM
    • 1-188
      事前準備
    • 1-189
      實作步驟
    • 1-190
      安裝Arm 工具鏈與Ethos-U 驅動程式堆疊
    • 1-191
      事前準備
    • 1-192
      實作步驟
    • 1-193
      使用TVM 產生C 程式碼
    • 1-194
      事前準備
    • 1-195
      實作步驟
    • 1-196
      針對輸入、輸出與標籤生成C 位元組陣列
    • 1-197
      事前準備
    • 1-198
      實作步驟
    • 1-199
      在Arm Ethos-U55 上建置與執行模型
    • 1-200
      事前準備
    • 1-201
      實作步驟
    • 1-202
      加入我們的Discord 社團！
    • 1-203
      版權頁
    • 1-204
      封底頁

    常見問答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台，在【我的學習】＞【我的書籍】頁面，選擇想看的電子書。

    猜你喜歡

    用戶評價

    | 收集中

    銷售方案