Kursplan

Introduktion till TensorFlow Lite

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

Installation av TensorFlow Lite-miljö

  • Installation av TensorFlow Lite och dess beroenden
  • Konfiguration av utvecklingsmiljö
  • Introduktion till TensorFlow Lite-verktyg och bibliotek
  • Hands-on-övningar för miljöinstallation

Utveckling av AI-modeller med TensorFlow Lite

  • Design och träning av AI-modeller för edge-utplacering
  • Konvertering av TensorFlow-modeller till TensorFlow Lite-format
  • Optimering av modeller för prestanda och effektivitet
  • Hands-on-övningar för modellutveckling och konvertering

Distribuering av TensorFlow Lite-modeller

  • Distribuering av modeller på olika edge-enheter (t.ex., smartphones, mikrokontrollers)
  • Körning av inferenser på edge-enheter
  • Felsökning av distributionsproblem
  • Hands-on-övningar för modelldistribuering

Verktyg och tekniker för modelloptimering

  • Kvantisering och dess fördelar
  • Beskärning och modellkomprimeringsmetoder
  • Användning av TensorFlow Lites optimeringverktyg
  • Hands-on-övningar för modelloptimering

Byggande av praktiska Edge AI-applikationer

  • Utveckling av verkliga Edge AI-applikationer med TensorFlow Lite
  • Integration av TensorFlow Lite-modeller med andra system och applikationer
  • Fallstudier av framgångsrika Edge AI-projekt
  • Hands-on-projekt för byggande av en praktisk Edge AI-applikation

Sammanfattning och nästa steg

Krav

  • Förståelse för AI- och maskininlärningskoncept
  • Erfarenhet av TensorFlow
  • Grundläggande programmeringsfärdigheter (Python rekommenderas)

Målgrupp

  • Utvecklare
  • Datavetare
  • AI-praktiker
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier