Використання моделей машинного навчання у вбудованих системах
Вантажиться...
Дата
2021
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Метою даної роботи було дослідження можливостей інтеграції моделей
машинного навчання у вбудовані системи, що за своєю сутністю мають
обмежений ресурс пам’яті, електроенергії та обчислювальних потужностей.
Зазвичай машинне навчання асоціюється з чимось надскладним та
надпотужним, що потребує багато людино-годин для розробки, кіловат-
годин для тренування та використання моделей та гігабайтів пам’яті для їх
зберігання. І це обмежує розробників у використанні технологій машинного
навчання.
Але існують рішення, що дозволяють розробляти, тренувати та
розміщувати моделі на пристроях, що мають обмежений ресурс. Саме такими
і є вбудовані системи. Одним з таких рішень є TensorFlow Lite, що дозволяє
конвертувати моделі, побудовані на TensorFlow у компактний вид та
розгортати їх на мікроконтролерах.
Результат роботи: програмний продукт, що демонструє можливості
фреймворку, тестує його продуктивність у різних режимах роботи та
доводить його ефективність в умовах роботи у вбудованій системі у режимі
реального часу.
Загальний обсяг роботи 94 с., 37 рис., 7 таблиць, 1 додаток, 7 джерел.
Опис
Ключові слова
вбудовані системи, потік, фреймворк, датасет, модель, нейронна мережа, дерево рішень, TinyML, TensorFlow, TensorFlow Lite, Python, embedded systems, thread, framework, dataset, model, neural network, decision tree
Бібліографічний опис
Воловоденко, Т. О. Використання моделей машинного навчання у вбудованих системах : дипломна робота бакалавра : 122 Комп'ютерні науки / Воловоденко Тарас Олександрович. - Київ, 2021. - 94 с.