இயந்திர கற்றல் மாதிரிகள் இப்போது எல்லா இடங்களிலும் உள்ளன. பகலில், நீங்கள் உணர்ந்ததை விட இந்த மாதிரிகளை நீங்கள் அதிகமாகப் பயன்படுத்துவீர்கள். சமூக ஊடக உலாவுதல், புகைப்படம் எடுத்தல் மற்றும் வானிலை சரிபார்த்தல் போன்ற பொதுவான பணிகளில் இயந்திர கற்றல் மாதிரிகள் பயன்படுத்தப்படுகின்றன.
இயந்திரக் கற்றல் அல்காரிதம் இந்த வலைப்பதிவை உங்களுக்குப் பரிந்துரைத்திருக்கலாம். இந்த மாதிரிகளைப் பயிற்றுவிப்பது எவ்வளவு நேரத்தைச் செலவழிக்கிறது என்பதைப் பற்றி நாம் அனைவரும் கேள்விப்பட்டிருக்கிறோம். இந்த மாதிரிகள் பயிற்சி நேரத்தை எடுத்துக்கொள்ளும் என்று நாம் அனைவரும் கேள்விப்பட்டிருக்கிறோம்.
இருப்பினும், இந்த மாதிரிகளில் அனுமானம் செய்வது அடிக்கடி கணக்கீட்டு ரீதியாக விலை உயர்ந்தது.
நாம் இயந்திர கற்றல் சேவைகளைப் பயன்படுத்தும் விகிதத்தைக் கையாளும் அளவுக்கு வேகமான கணினி அமைப்புகள் தேவை. இதன் விளைவாக, இந்த மாடல்களில் பெரும்பாலானவை CPU மற்றும் GPU கிளஸ்டர்களுடன் கூடிய பாரிய தரவு மையங்களில் இயங்குகின்றன (சில சந்தர்ப்பங்களில் TPUகளும் கூட).
நீங்கள் ஒரு படம் எடுக்கும் போது, நீங்கள் வேண்டும் இயந்திர கற்றல் அதை உடனடியாக மேம்படுத்த வேண்டும். படம் தரவு மையத்திற்கு மாற்றப்பட்டு, செயலாக்கப்பட்டு, உங்களிடம் திரும்பும் வரை நீங்கள் காத்திருக்க வேண்டியதில்லை. இந்த வழக்கில், இயந்திர கற்றல் மாதிரி உள்நாட்டில் செயல்படுத்தப்பட வேண்டும்.
"ஹே சிரி" அல்லது "சரி, கூகுள்" என்று நீங்கள் கூறும்போது, உங்கள் கேஜெட்கள் உடனடியாக பதிலளிக்க வேண்டும். உங்கள் குரல் கணினிகளுக்கு அனுப்பப்படும் வரை காத்திருக்கிறது, அது மதிப்பீடு செய்யப்பட்டு தரவு பெறப்படும்.
இது நேரம் எடுக்கும் மற்றும் பயனர் அனுபவத்தில் தீங்கு விளைவிக்கும். இந்த வழக்கில், இயந்திர கற்றல் மாதிரி உள்நாட்டிலும் வேலை செய்ய வேண்டும். இங்குதான் TinyML வருகிறது.
இந்த இடுகையில், TinyML, அது எவ்வாறு செயல்படுகிறது, அதன் பயன்பாடுகள், அதை எவ்வாறு தொடங்குவது மற்றும் பலவற்றைப் பார்ப்போம்.
என்ன டைனிஎம்எல்?
TinyML என்பது சிறிய சாதனங்கள் மற்றும் உட்பொதிக்கப்பட்ட அமைப்புகளின் செயல்திறன் மற்றும் ஆற்றல் வரம்புகளுக்கு இயந்திரக் கற்றலின் புரட்சிகர ஆற்றலைப் பயன்படுத்தும் ஒரு அதிநவீன ஒழுக்கமாகும்.
இந்தத் துறையில் வெற்றிகரமான வரிசைப்படுத்தலுக்கு பயன்பாடுகள், அல்காரிதம்கள், வன்பொருள் மற்றும் மென்பொருள் பற்றிய முழுமையான புரிதல் அவசியம். இது மைக்ரோகண்ட்ரோலர்கள், டிஜிட்டல் சிக்னல் செயலிகள் அல்லது பிற அதி-குறைந்த சக்தி சிறப்புச் செயலிகளைப் பயன்படுத்தும் உட்பொதிக்கப்பட்ட அமைப்புகளில் ஆழமான கற்றல் மற்றும் இயந்திர கற்றல் மாதிரிகளைப் பயன்படுத்தும் இயந்திரக் கற்றல் துணை வகையாகும்.
டைனிஎம்எல்-இயக்கப்பட்ட உட்பொதிக்கப்பட்ட சாதனங்கள் ஒரு குறிப்பிட்ட வேலைக்காக இயந்திர கற்றல் அல்காரிதத்தை இயக்குவதை நோக்கமாகக் கொண்டுள்ளன, பொதுவாக சாதனத்தின் ஒரு பகுதியாகும். விளிம்பு கணினி.
ரீசார்ஜ் செய்யாமல் அல்லது பேட்டரியை மாற்றாமல் வாரங்கள், மாதங்கள் அல்லது வருடங்கள் கூட இயங்க, இந்த உட்பொதிக்கப்பட்ட அமைப்புகள் 1 மெகாவாட்டிற்கும் குறைவான மின் நுகர்வு கொண்டதாக இருக்க வேண்டும்.
இது எப்படி வேலை செய்கிறது?
மைக்ரோகண்ட்ரோலர்கள் மற்றும் கணினிகளுடன் பயன்படுத்தக்கூடிய ஒரே இயந்திர கற்றல் கட்டமைப்பாகும் டென்சர்ஃப்ளோ லைட். இது டெவலப்பர்கள் தங்கள் மாதிரிகளை மொபைல், உட்பொதிக்கப்பட்ட மற்றும் விளிம்பு சாதனங்களில் இயக்க அனுமதிக்கும் கருவிகளின் தொகுப்பாகும், இது பறக்கும்போது இயந்திர கற்றலை அனுமதிக்கிறது.
மைக்ரோகண்ட்ரோலரின் இடைமுகம் சென்சார்களிடமிருந்து (மைக்ரோஃபோன்கள், கேமராக்கள் அல்லது உட்பொதிக்கப்பட்ட சென்சார்கள் போன்றவை) தரவைச் சேகரிக்கப் பயன்படுகிறது.
மைக்ரோகண்ட்ரோலருக்கு அனுப்பப்படுவதற்கு முன், தரவு கிளவுட் அடிப்படையிலான இயந்திர கற்றல் மாதிரியில் இணைக்கப்பட்டது. இந்த மாதிரிகளைப் பயிற்றுவிப்பதற்காக ஆஃப்லைன் பயன்முறையில் பேட்ச் பயிற்சி பொதுவாகப் பயன்படுத்தப்படுகிறது. பயன்படுத்தப்படும் சென்சார் தரவு கற்றல் மற்றும் அனுமானம் குறிப்பிட்ட பயன்பாட்டிற்கு ஏற்கனவே தீர்மானிக்கப்பட்டது.
எடுத்துக்காட்டாக, விழித்தெழும் சொல்லைக் கண்டறிய மாதிரி பயிற்சியளிக்கப்பட்டால், மைக்ரோஃபோனில் இருந்து தொடர்ச்சியான ஆடியோ ஸ்ட்ரீமைக் கையாளும் வகையில் அது ஏற்கனவே அமைக்கப்பட்டுள்ளது.
டென்சர்ஃப்ளோ லைட்டின் விஷயத்தில் Google Colab போன்ற கிளவுட் பிளாட்ஃபார்மின் உதவியுடன் ஏற்கனவே டேட்டாசெட் தேர்வு, இயல்பாக்கம், மாடலின் பொருத்தமற்ற அல்லது அதிகப்படியான பொருத்தம், முறைப்படுத்தல், தரவு பெருக்குதல், பயிற்சி, சரிபார்ப்பு மற்றும் சோதனை ஆகியவை அடங்கும்.
முழுமையான பயிற்சி பெற்ற மாதிரியானது, ஆஃப்லைன் பேட்ச் பயிற்சிக்குப் பிறகு இறுதியாக மாற்றப்பட்டு மைக்ரோகண்ட்ரோலர், மைக்ரோகம்ப்யூட்டர் அல்லது டிஜிட்டல் சிக்னல் செயலிக்கு மாற்றப்படுகிறது. உட்பொதிக்கப்பட்ட சாதனத்திற்கு மாற்றப்பட்ட பிறகு மாடலுக்கு கூடுதல் பயிற்சி இல்லை. மாறாக, மாதிரியைப் பயன்படுத்த, சென்சார்கள் அல்லது உள்ளீட்டு சாதனங்களிலிருந்து நிகழ்நேரத் தரவை மட்டுமே இது பயன்படுத்துகிறது.
இதன் விளைவாக, ஒரு TinyML இயந்திர கற்றல் மாதிரி விதிவிலக்காக நீடித்து இருக்க வேண்டும் மற்றும் பல ஆண்டுகளுக்குப் பிறகு மீண்டும் பயிற்சி பெறும் அல்லது மீண்டும் பயிற்சி பெறாத திறன் கொண்டதாக இருக்க வேண்டும். அனைத்து சாத்தியமான மாடல் அண்டர்ஃபிட்டிங் மற்றும் ஓவர் ஃபிட்டிங் ஆகியவை ஆராயப்பட வேண்டும், இதனால் மாடல் நீண்ட காலத்திற்கு பொருத்தமானதாக இருக்கும், காலவரையின்றி.
ஆனால் TinyML ஐ ஏன் பயன்படுத்த வேண்டும்?
அடிப்படை சிறிய அளவிலான கிளவுட் சேவைகளை IoT நம்பியிருப்பதை அகற்ற அல்லது குறைக்கும் முயற்சியாக TinyML தொடங்கியது. இயந்திர கற்றல் செயல்பாடுகள். இது எட்ஜ் சாதனங்களிலேயே இயந்திரக் கற்றல் மாதிரிகளைப் பயன்படுத்துவதை அவசியமாக்கியது. இது பின்வரும் முக்கிய நன்மைகளை வழங்குகிறது:
- குறைந்த சக்தி நுகர்வு: ஒரு TinyML பயன்பாடு 1 மில்லிவாட்டிற்கும் குறைவான ஆற்றலைப் பயன்படுத்த வேண்டும். இத்தகைய குறைந்த சக்தி நுகர்வு மூலம், ஒரு சாதனம் காயின் பேட்டரி மூலம் இயக்கப்பட்டாலும் கூட, மாதங்கள் அல்லது ஆண்டுகளுக்கு சென்சார் தரவிலிருந்து முடிவுகளைப் பெறலாம்.
- குறைந்த செலவு: இது குறைந்த விலை 32-பிட் மைக்ரோகண்ட்ரோலர்கள் அல்லது டிஎஸ்பிகளில் இயங்கும் வகையில் வடிவமைக்கப்பட்டுள்ளது. இந்த மைக்ரோகண்ட்ரோலர்கள் பொதுவாக ஒவ்வொன்றும் சில சென்ட்கள் ஆகும், மேலும் அவற்றுடன் உருவாக்கப்பட்ட மொத்த உட்பொதிக்கப்பட்ட அமைப்பு $50க்கும் குறைவாக உள்ளது. சிறிய இயந்திர கற்றல் நிரல்களை பெரிய அளவில் இயக்குவதற்கு இது மிகவும் செலவு குறைந்த விருப்பமாகும், மேலும் இயந்திர கற்றல் பயன்படுத்தப்பட வேண்டிய IoT பயன்பாடுகளில் இது மிகவும் பயனுள்ளதாக இருக்கும்.
- குறைந்த தாமதம்: அதன் பயன்பாடுகள் குறைந்த தாமதத்தைக் கொண்டுள்ளன, ஏனெனில் அவை நெட்வொர்க்கில் தரவைக் கொண்டு செல்லவோ அல்லது பரிமாறிக்கொள்ளவோ தேவையில்லை. அனைத்து சென்சார் தரவுகளும் உள்நாட்டில் பதிவு செய்யப்படுகின்றன, மேலும் ஏற்கனவே பயிற்சி பெற்ற மாதிரியைப் பயன்படுத்தி முடிவுகள் எடுக்கப்படுகின்றன. உள்நுழைவு அல்லது கூடுதல் செயலாக்கத்திற்காக அனுமானங்களின் முடிவுகள் சேவையகம் அல்லது மேகக்கணிக்கு அனுப்பப்படலாம், இருப்பினும் சாதனம் வேலை செய்வதற்கு இது அவசியமில்லை. இது நெட்வொர்க் தாமதத்தை குறைக்கிறது மற்றும் கிளவுட் அல்லது சர்வரில் மெஷின் லேர்னிங் செயல்பாடுகள் செய்யப்பட வேண்டிய தேவையை நீக்குகிறது.
- தனியுரிமை: இது இணையத்திலும் விஷயங்களின் இணையத்திலும் ஒரு முக்கிய கவலையாக உள்ளது. TinyML பயன்பாடுகளில் உள்ள இயந்திர கற்றல் பணியானது, சென்சார்/பயனர் தரவைச் சேமித்து வைக்காமல் அல்லது சேவையகம்/கிளவுடுக்கு அனுப்பாமல், உள்நாட்டில் செய்யப்படுகிறது. இதன் விளைவாக, நெட்வொர்க்குடன் இணைக்கப்பட்டிருந்தாலும், இந்தப் பயன்பாடுகள் பயன்படுத்த பாதுகாப்பானவை மற்றும் தனியுரிமை அபாயங்களை ஏற்படுத்தாது.
பயன்பாடுகள்
- விவசாயம் - எப்போது விவசாயிகள் ஒரு செடியின் புகைப்படத்தை எடுக்கிறார்கள், டென்சர்ஃப்ளோ லைட்டின் பயன்பாடு அதில் உள்ள நோய்களைக் கண்டறியும். இது எந்த சாதனத்திலும் இயங்குகிறது மற்றும் இணைய இணைப்பு தேவையில்லை. இந்த நடைமுறை விவசாய நலன்களைப் பாதுகாக்கிறது மற்றும் கிராமப்புற விவசாயிகளுக்கு ஒரு முக்கியமான தேவையாகும்.
- இயக்கவியல் பராமரிப்பு - TinyML, குறைந்த சக்தி கொண்ட சாதனங்களில் பயன்படுத்தப்படும் போது, ஒரு இயந்திரத்தில் உள்ள குறைபாடுகளை தொடர்ந்து கண்டறிய முடியும். இது முன்கணிப்பு அடிப்படையிலான பராமரிப்பை உள்ளடக்கியது. ஆஸ்திரேலிய ஸ்டார்ட்-அப் நிறுவனமான பிங் சர்வீசஸ், காற்றாலையின் வெளிப்புறத்தில் தன்னை இணைத்துக்கொண்டு காற்றாலைகளை கண்காணிக்கும் IoT கேஜெட்டை அறிமுகப்படுத்தியுள்ளது. ஏதேனும் சாத்தியமான சிக்கல் அல்லது செயலிழப்பைக் கண்டறிந்தால் அது அதிகாரிகளுக்குத் தெரிவிக்கிறது.
- மருத்துவமனைகள் - தி சோலார் ஸ்கேர் என்பது ஒரு திட்டம். டெங்கு மற்றும் மலேரியா போன்ற நோய்கள் பரவுவதைத் தடுக்க கொசுக்கள் TinyML ஐப் பயன்படுத்துகின்றன. இது சூரிய சக்தியால் இயக்கப்படுகிறது மற்றும் கொசு இனப்பெருக்கத்தை தடுக்கும் தண்ணீரை சமிக்ஞை செய்வதற்கு முன் கொசு இனப்பெருக்கம் நிலைமைகளை கண்டறிந்துள்ளது.
- போக்குவரத்து கண்காணிப்பு - மூலம் நிகழ்நேர ட்ராஃபிக் தரவைச் சேகரிக்கும் சென்சார்களுக்கு TinyML ஐப் பயன்படுத்துவதன் மூலம், அவற்றை சிறந்த டிராஃபிக்கை இயக்கவும், அவசரகால வாகனங்களுக்கான பதிலளிப்பு நேரத்தைக் குறைக்கவும் அவற்றைப் பயன்படுத்தலாம். எடுத்துக்காட்டாக, Swim.AI, பயணிகளின் பாதுகாப்பை அதிகரிக்க ஸ்ட்ரீமிங் தரவுகளில் இந்தத் தொழில்நுட்பத்தைப் பயன்படுத்துகிறது, அதே நேரத்தில் ஸ்மார்ட் ரூட்டிங் மூலம் நெரிசல் மற்றும் உமிழ்வைக் குறைக்கிறது.
- சட்டம்: TinyML சட்ட அமலாக்கத்தில் இயந்திர கற்றல் மற்றும் சைகை அங்கீகாரத்தைப் பயன்படுத்தி கலவரம் மற்றும் திருட்டு போன்ற சட்டவிரோத செயல்களை அடையாளம் காண பயன்படுத்தப்படலாம். இதேபோன்ற திட்டம் வங்கி ஏடிஎம்களைப் பாதுகாக்கவும் பயன்படுத்தப்படலாம். பயனர் நடத்தையைப் பார்ப்பதன் மூலம், ஒரு பரிவர்த்தனையை நிறைவு செய்யும் பயனர் உண்மையான நுகர்வோரா அல்லது ஏடிஎம்மை ஹேக் அல்லது அழிக்க முயற்சிக்கும் ஊடுருவும் நபரா என்பதை TinyML மாதிரி கணிக்கக்கூடும்.
TinyML ஐ எவ்வாறு தொடங்குவது?
TensorFlow Lite இல் TinyMLஐத் தொடங்க, உங்களுக்கு இணக்கமான மைக்ரோகண்ட்ரோலர் போர்டு தேவைப்படும். மைக்ரோகண்ட்ரோலர்களுக்கான டென்சர்ஃப்ளோ லைட் கீழே பட்டியலிடப்பட்டுள்ள மைக்ரோகண்ட்ரோலர்களை ஆதரிக்கிறது.
- வியோ டெர்மினல்: ATSAMD51
- Himax WE-I பிளஸ் EVB எண்ட்பாயிண்ட் AI டெவலப்மெண்ட் போர்டு
- STM32F746 டிஸ்கவரி கிட்
- அடாஃப்ரூட் எட்ஜ் பேட்ஜ்
- சுருக்கம் DesignWare ARC EM மென்பொருள் மேம்பாட்டு தளம்
- சோனி ஸ்ப்ரெசென்ஸ்
- அர்டுடினோ நானோ 33 பி.எல்.இ சென்ஸ்
- ஸ்பார்க்ஃபன் எட்ஜ்
- மைக்ரோகண்ட்ரோலர்கள் கருவிக்கான Adafruit TensorFlow Lite
- அடாஃப்ரூட் சர்க்யூட் விளையாட்டு மைதானம் புளூஃப்ரூட்
- Espressif ESP32-DevKitC
- எஸ்பிரெசிஃப் ESP-EYE
இவை 32-பிட் மைக்ரோகண்ட்ரோலர்கள் போதுமான ஃபிளாஷ் நினைவகம், ரேம் மற்றும் கடிகார அதிர்வெண் ஆகியவற்றைக் கொண்டு ஒரு இயந்திர கற்றல் மாதிரியை இயக்கும். உட்பொதிக்கப்பட்ட நிரலை இயக்குவதற்கும், இலக்கு பயன்பாட்டிற்கு இயந்திர கற்றல் மாதிரிகளைப் பயன்படுத்துவதற்கும் திறன் கொண்ட பல ஆன்போர்டு சென்சார்கள் பலகைகளில் உள்ளன. செய்ய இயந்திர கற்றல் மாதிரியை உருவாக்கவும், வன்பொருள் தளத்துடன் கூடுதலாக உங்களுக்கு மடிக்கணினி அல்லது கணினி தேவைப்படும்.
ஒவ்வொரு ஹார்டுவேர் இயங்குதளமும் அதன் சொந்த நிரலாக்க கருவிகளை உருவாக்குதல், பயிற்சி செய்தல் மற்றும் இயந்திர கற்றல் மாதிரிகளை போர்டிங் செய்தல், மைக்ரோகண்ட்ரோலர்கள் தொகுப்பிற்கான டென்சர்ஃப்ளோ லைட்டைப் பயன்படுத்துகின்றன. டென்சர்ஃப்ளோ லைட்டைப் பயன்படுத்தவும் மாற்றவும் இலவசம், ஏனெனில் அது திறந்த மூல.
TinyML மற்றும் TensorFlow Lite உடன் தொடங்க, உங்களுக்குத் தேவையானது மேலே குறிப்பிடப்பட்ட உட்பொதிக்கப்பட்ட வன்பொருள் தளங்களில் ஒன்று, ஒரு கணினி/லேப்டாப், ஒரு USB கேபிள், USB-to-Serial மாற்றி - மற்றும் உட்பொதிக்கப்பட்ட அமைப்புகளுடன் இயந்திர கற்றலைப் பயிற்சி செய்ய விருப்பம் .
சவால்கள்
TinyML இன் முன்னேற்றம் பல நேர்மறையான முடிவுகளைத் தந்தாலும், இயந்திரக் கற்றல் தொழில் இன்னும் கணிசமான தடைகளை எதிர்கொள்கிறது.
- மென்பொருள் பன்முகத்தன்மை - கை-குறியீடு, குறியீடு உருவாக்கம் மற்றும் ML மொழிபெயர்ப்பாளர்கள் அனைத்தும் TinyML சாதனங்களில் மாதிரிகளை பயன்படுத்துவதற்கான விருப்பங்கள், மேலும் ஒவ்வொன்றும் வெவ்வேறு நேரத்தையும் முயற்சியையும் எடுக்கும். இதன் விளைவாக பல்வேறு நிகழ்ச்சிகள் எழலாம்.
- வன்பொருள் பன்முகத்தன்மை - அங்கே பல வன்பொருள் விருப்பங்கள் உள்ளன. TinyML இயங்குதளங்கள் பொது நோக்கத்திற்கான மைக்ரோகண்ட்ரோலர்கள் முதல் அதிநவீன நரம்பியல் செயலிகள் வரை இருக்கலாம். இது வெவ்வேறு கட்டமைப்புகளில் மாதிரி வரிசைப்படுத்தலில் சிக்கல்களை ஏற்படுத்துகிறது.
- சரிசெய்தல்/பிழைத்திருத்தம் - எப்போது ஒரு ML மாடல் கிளவுட்டில் மோசமாக செயல்படுகிறது, தரவைப் பார்த்து என்ன தவறு நடக்கிறது என்பதைக் கண்டுபிடிப்பது எளிது. ஒரு மாதிரியானது ஆயிரக்கணக்கான TinyML சாதனங்களில் பரவியிருக்கும் போது, எந்த டேட்டா ஸ்ட்ரீமும் மேகக்கணிக்கு திரும்பாமல், பிழைத்திருத்தம் கடினமாகிறது மற்றும் வேறு முறை தேவைப்படலாம்.
- நினைவகக் கட்டுப்பாடுகள் - பாரம்பரியம் ஸ்மார்ட்போன்கள் மற்றும் மடிக்கணினிகள் போன்ற இயங்குதளங்களுக்கு ஜிகாபைட் ரேம் தேவைப்படுகிறது, அதேசமயம் TinyML சாதனங்கள் கிலோபைட் அல்லது மெகாபைட்களைப் பயன்படுத்துகின்றன. இதன் விளைவாக, பயன்படுத்தக்கூடிய மாதிரியின் அளவு குறைவாக உள்ளது.
- மாதிரி பயிற்சி - இருந்தாலும் TinyML சாதனங்களில் ML மாடல்களை வரிசைப்படுத்துவதில் பல நன்மைகள் உள்ளன, ML மாடல்களின் பெரும்பகுதி இன்னும் கிளவுட் மீது பயிற்சியளிக்கப்பட்டு, மாடல் துல்லியத்தை தொடர்ந்து மேம்படுத்துகிறது.
காலத்திற்காக
TinyML, அதன் சிறிய தடம், குறைந்த பேட்டரி நுகர்வு மற்றும் இணைய இணைப்பின் பற்றாக்குறை அல்லது வரையறுக்கப்பட்ட நம்பகத்தன்மை ஆகியவற்றுடன், எதிர்காலத்தில் மகத்தான ஆற்றலைக் கொண்டுள்ளது. செயற்கை நுண்ணறிவு விளிம்பு சாதனங்கள் அல்லது சுயாதீன உட்பொதிக்கப்பட்ட கேஜெட்களில் செயல்படுத்தப்படும்.
இது IoT பயன்பாடுகளை மேம்படுத்துவதன் மூலம் அவற்றை மிகவும் தனிப்பட்டதாகவும் பாதுகாப்பாகவும் மாற்றும். இருந்தாலும் TensorFlow லைட் தற்போது மைக்ரோகண்ட்ரோலர்கள் மற்றும் மைக்ரோ கம்ப்யூட்டர்களுக்கான ஒரே இயந்திர கற்றல் கட்டமைப்பாகும், சென்சார் மற்றும் ARM இன் CMSIS-NN போன்ற ஒப்பிடக்கூடிய கட்டமைப்புகள் செயல்பாட்டில் உள்ளன.
டென்சர்ஃப்ளோ லைட் ஒரு திறந்த மூல திட்டமாகும், இது கூகிள் குழுவுடன் ஒரு அற்புதமான தொடக்கத்தில் உள்ளது, முக்கிய நீரோட்டத்தில் நுழைவதற்கு இன்னும் சமூக ஆதரவு தேவைப்படுகிறது.
தீர்மானம்
TinyML என்பது இயந்திர கற்றலுடன் உட்பொதிக்கப்பட்ட அமைப்புகளை இணைக்கும் ஒரு புதுமையான அணுகுமுறையாகும். குறுகிய AI பல செங்குத்துகள் மற்றும் களங்களில் உச்சத்தை எட்டும்போது, தொழில்நுட்பம் இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு ஆகியவற்றில் ஒரு முக்கிய துணைப் புலமாக வெளிப்படும்.
IoT துறை மற்றும் பல டொமைன்-குறிப்பிட்ட துறைகளுக்கு இயந்திர கற்றலைப் பயன்படுத்தும் வல்லுநர்கள் இப்போது எதிர்கொள்ளும் பல சவால்களுக்கு இது ஒரு தீர்வை வழங்குகிறது.
இயந்திர கற்றலைப் பயன்படுத்துவதற்கான கருத்து சிறிய கணினியுடன் கூடிய விளிம்பு சாதனங்கள் கால்தடம் மற்றும் மின் நுகர்வு ஆகியவை உட்பொதிக்கப்பட்ட அமைப்புகள் மற்றும் ரோபாட்டிக்ஸ் எவ்வாறு கட்டமைக்கப்படுகின்றன என்பதை கணிசமாக மாற்றும் ஆற்றலைக் கொண்டுள்ளது.
ஒரு பதில் விடவும்