Hodnotenie:
Kniha poskytuje praktický zdroj informácií pre vývojárov, ktorí majú záujem o nasadenie strojového učenia na zariadeniach s obmedzenými zdrojmi, s praktickými príkladmi zameranými na TensorFlow a edge computing. Trpí však zastaranými zdrojmi a obmedzenou podporou pre používateľov systému Windows, čo môže pre niektorých čitateľov predstavovať výzvu.
Výhody:Dobre napísané a pútavé, prístupné pre vývojárov všetkých úrovní.
Nevýhody:Praktický, praktický prístup s ukážkami a príkladmi v programe Google Colab.
(na základe 40 čitateľských recenzií)
Tinyml: Machine Learning with Tensorflow Lite on Arduino and Ultra-Low-Power Microcontrollers
Siete hlbokého učenia sa zmenšujú. Oveľa menšie. Tím Google Assistant dokáže rozpoznávať slová pomocou modelu s veľkosťou len 14 kilobajtov - dostatočne malého na to, aby ho bolo možné spustiť na mikrokontroléri. S touto praktickou knihou vstúpite do oblasti TinyML, kde sa hlboké učenie a vstavané systémy spájajú, aby umožnili ohromujúce veci s malými zariadeniami.
Pete Warden a Daniel Situnayake vysvetľujú, ako môžete trénovať modely dostatočne malé na to, aby sa zmestili do akéhokoľvek prostredia. Táto príručka je ideálna pre vývojárov softvéru a hardvéru, ktorí chcú vytvárať vstavané systémy pomocou strojového učenia, a krok za krokom vás prevedie vytvorením série projektov TinyML. Nie sú potrebné žiadne skúsenosti so strojovým učením alebo mikrokontrolérmi.
⬤ Zostavte si rozpoznávač reči, kameru, ktorá rozpoznáva ľudí, a čarovnú paličku, ktorá reaguje na gestá.
⬤ Pracujte s Arduinom a mikrokontrolérmi s veľmi nízkou spotrebou energie.
⬤ Učte sa základy ML a ako trénovať vlastné modely.
⬤ Trénujte modely na pochopenie zvukových, obrazových a akcelerometrických údajov.
⬤ Preskúmajte TensorFlow Lite pre mikrokontroléry, sadu nástrojov spoločnosti Google pre TinyML.
⬤ Debugujte aplikácie a poskytnite záruky ochrany súkromia a bezpečnosti.
⬤ Optimalizujte latenciu, spotrebu energie a veľkosť modelu a binárnych súborov.