Kursplan

Introduktion till TensorFlow Lite

  • Översikt över TensorFlow Lite och dess arkitektur
  • Jämförelse med TensorFlow och andra AI-ramverk för gränsenheter
  • Fördelar och utmaningar med att använda TensorFlow Lite för Edge AI
  • Fallstudier av TensorFlow Lite i Edge AI-applikationer

Konfigurera TensorFlow Lite-miljön

  • Installera TensorFlow Lite och dess beroenden
  • Konfigurera utvecklingsmiljön
  • Introduktion till TensorFlow Lite-verktyg och bibliotek
  • Praktiska övningar för miljöinstallation

Utveckla AI-modeller med TensorFlow Lite

  • Designa och träna AI-modeller för gränsdistribution
  • Konvertera TensorFlow modeller till TensorFlow Lite-format
  • Optimera modeller för prestanda och effektivitet
  • Praktiska övningar för modellutveckling och konvertering

Distribuera TensorFlow Lite-modeller

  • Distribuera modeller på olika gränsenheter (t.ex. smartphones, mikrokontroller)
  • Köra slutsatsdragningar på gränsenheter
  • Felsöka distributionsproblem
  • Praktiska övningar för modelldistribution

Verktyg och tekniker för modelloptimering

  • Kvantisering och dess fördelar
  • Beskärnings- och modellkomprimeringstekniker
  • Använda TensorFlow Lites optimeringsverktyg
  • Praktiska övningar för modelloptimering

Bygga praktiska Edge AI-applikationer

  • Utveckla verkliga Edge AI-program med hjälp av TensorFlow Lite
  • Integrera TensorFlow Lite-modeller med andra system och applikationer
  • Fallstudier av framgångsrika Edge AI-projekt
  • Praktiskt projekt för att bygga en praktisk Edge AI-applikation

Sammanfattning och nästa steg

Krav

  • En förståelse för AI och maskininlärningskoncept
  • Erfarenhet av TensorFlow
  • Grundläggande programmeringskunskaper (Python rekommenderas)

Publik

  • Utvecklare
  • Datavetare
  • AI-utövare
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier