管理书籍排行榜,《完美世界》txt全集,好看的言情小说

如果你關注最新進展，可能已經知道 Nordic Semiconductor 收購了 Neuton.AI。Neuton 是一家邊緣 AI 公司，致力于使機器學習模型更易于訪問。它創建的模型比競爭對手的框架小 10 倍，速度也快 10 倍，甚至可以在最先進的邊緣設備上進行人工智能處理。在這篇博文中，我們將介紹這對開發人員意味著什么，以及使用 Neuton 模型如何改進您的開發和終端應用。

為什么選擇 Neuton

作為開發人員，在產品中使用邊緣人工智能的兩個最大障礙是：

ML 模型對于您所選微控制器的內存來說太大。

創建自定義 ML 模型本質上是一個手動過程，需要高度的數據科學知識才能做好。

現在，這些阻礙即將被解決。

Neuton 是一個自動生成 ML 模型的框架，其大小僅為 TensorFlow Lite 等傳統框架的一小部分。對于開發人員來說，這意味著要訓練一個高度優化、快速和準確的 ML 模型，你所需要的只是一個數據集。Neuton 模型可以在任何 Nordic SoC（如我們的旗艦產品 nRF54L15）上運行，而且非常高效，也非常適合空間最有限的 SoC（如 nRF52805），只占用幾千字節的非易失性存儲器（NVM）。這使得以前被認為不可能的應用也能增加 ML 功能。例如，您現在可以在廣泛的傳感器網絡的每個節點上進行人工智能處理，而在這種網絡中，傳感器的尺寸和成本是關鍵，空間也非常寶貴。

Neuton 的與眾不同

其他邊緣人工智能框架比比皆是，而且存在已久。Neuton 與 LiteRT（又稱微控制器 TensorFlow Lite）和類似框架的主要區別在于，其他框架仍然依賴于開發人員掌握如何手動組織神經網絡、神經元和網絡深度的知識，然后在事后對模型進行壓縮和優化，使其適合所需的目標設備。這種方法導致模型在代碼大小、執行速度和功耗方面效率較低。

而 Neuton 可以自動處理所有這些問題。Neuton 不會從一開始就靜態定義網絡參數，而是自動生成網絡，并檢查每一個新神經元是否能提高模型性能。不增加價值的神經元會被立即移除，以節省資源。這為開發者帶來了多重好處：

無需手動選擇神經網絡結構、參數或架構

無需資源密集型的自動神經架構搜索 (NAS)

代碼體積盡可能小，無需壓縮或優化

執行速度更快，這意味著功耗更低

Neuton 模型以純 C 代碼形式從平臺下載，沒有外部依賴性或特殊運行要求。它們可隨時集成到在任何 Arm Cortex-M 系列處理器上運行的任何應用中，如 nRF52、nRF53、nRF54L 和 nRF54H 系列 SoC 或 nRF91 系列 SiP 的應用內核。

這對開發人員意味著什么

使用 Neuton 框架創建 ML 模型已經可以通過 lab.neuton.ai 實現。如果您迫不及待，現在就可以嘗試使用，但請注意，您需要自己將其集成到 nRF Connect SDK 應用程序中，因為目前還沒有這方面的示例。如果您更喜歡 Nordic 眾所周知的更簡化的開發流程和開發體驗，我們正計劃適配我們的開發者生態的重大改進。因此，如果您不想自己完成所有的集成工作，您可以等待我們nRF Connect SDK 示例和必要開發工具，來構建與我們的解決方案無縫集成的模型。

工作原理

盡管通過專用示例固件與 nRF Connect SDK 的集成仍在進行中，但使用 Neuton 框架生成模型已經完全實現自動化，而且非常簡單。

為您的應用生成一個完整、無依賴性的模型只需三個步驟。

收集數據并上傳數據集；該平臺接收帶標簽的 CSV 文件

選擇數據集中的目標變量，并選擇評估指標

然后，平臺會在后臺 “自動 ”生成神經網絡，一旦算法準備就緒，平臺就會通知您。

將 Neuton 模型下載為一個完整的 C 語言庫，并使用僅由 3 個簡單函數調用組成的應用程序接口將其集成到您的應用程序中：

neuton_nn_setup - 設置 Neuton 的內部組件，應首先調用，且僅調用一次

neuton_nn_feed_inputs - 為模型推理提供并準備實時輸入特征

neuton_nn_run_inference - 將實時輸入特征輸入 Neuton 模型，計算輸出結果

使用案例

Neuton 釋放了以前僅限于我們旗艦硬件的使用案例，使我們所有的 SoC 都能用于邊緣人工智能。例子包括：