文件名称：TinyML_HarvardX:哈佛大学针对TinyML的3门课程专业的课程资源
文件大小：4.42MB
文件格式：ZIP
更新时间：2024-05-07 19:43:41
JupyterNotebook
TinyML 所有源文件及其描述都位于src文件夹中，它是自述文件。 哈佛大学针对TinyML的3门课程专业的课程资源：其应用和部署。 这三门课程分别是： ， ，由领导 脚本主要关注基于声学，运动和图像的传感器，重点关注固件以及基于神经网络的方面。 我还对Tensorflow Lite的修剪和量化进行了很多实验。 量化技术有2种类型：训练后量化和量化训练。 训练后量化可减少大小，延迟并提高可移植性。 在准确性和精确度方面，这还有其他一些折衷，但是下图显示了我们可以考虑使用此方法的原因之一。 几乎所有的权重值都存储在特定范围之间。 量化意识培训通过创建一个模型，下游工具将使用该模型来生成实际的量化模型，从而有效地模拟推理时间的量化行为。 自然，量化模型将使用较低的精度。 因此，知道我们将使用较低的精度，并将其引入训练流水线中，同时对其进行训练将有效地使网络变得有弹性。 简而言之
【文件预览】：
TinyML_HarvardX-main
----Software.JPG(35KB)
----Keyword Spotting Application Architecture.md(2KB)
----src()
--------Readme.md(188B)
--------Running_TFLite_models.ipynb(4.22MB)
--------TFLite_Converter.ipynb(68KB)
--------Fashion_MNIST_Convolutions.ipynb(102KB)
--------Horse_or_Human_WithAugmentation.ipynb(776KB)
--------Horse_or_Human_Small.ipynb(734KB)
----Machine_Learning_Lifecycle.md(6KB)
----Types of Sensors.JPG(73KB)
----Weights.JPG(36KB)
----Hardware.JPG(43KB)
----Role_of_Sensors.md(6KB)
----README.md(2KB)
----Keyword_Spotting()
--------Readme.md(146B)