Dies ist das Repository für den LinkedIn Learning Kurs TinyML mit TensorFlow und Python für Microcontroller. Den gesamten Kurs finden Sie auf LinkedIn Learning.
TinyML beschreibt ein schnell wachsendes Feld von Technologien und Anwendungen des maschinellen Lernens, und umfasst Hardware, Algorithmen und Software, die in der Lage sind, Sensordaten auf Geräten bei niedrigem Stromverbrauch zu analysieren. Lassen Sie sich in diesem LinkedIn Learning-Kurs von Lars Gregori zeigen, wie man ein Machine Learning-Modell auf einem kleinen Mikrocontroller mit nur 264 Kilobyte Speicher zum Laufen bringt, es trainiert und in eine Anwendung integriert. So kann z.B. ein Wake-Word ein Gerät aufwecken, ohne Daten ins Internet zu schicken. Oder der Mikrocontroller erkennt handgeschriebene Zahlen. Um die Beispiele selbst auszuprobieren, braucht man nur einen Raspberry Pi Pico, ein paar Kabel und ein Mikrofon.
Dieses Repository hat folgenden Aufbau:
- Breadboard: Den Schaltungsaufbau für die in den Beispielen verwendeten Schaltungen.
- Code: Für jedes Kapitel den notwendigen Code und auch die bereits trainierten TensorFlow Modelle.
- Firmware: Die MicroPython Version mit integrierten Bibliotheken wie z.B.
microlite. Hinweis: Die Firmware ist auf dem Raspberry Pi Pico lauffähig. Im Moment gibt es noch keine Firmware für den Raspberry Pi Pico 2 - Notebooks: Die Jupyter-Notebooks für jedes Kapitel.
Jedes Kurs-Kapitel erklärt detailliert die jeweiligen Dateien und deren Nutzung. Folge Sie den Anweisungen in den Kapiteln, um die entsprechenden Schaltungen aufzubauen, den Code auszuführen und die Notebooks zu verwenden.
- Klonen Sie das Repository in Ihre lokale Maschine unter Verwendung von terminal (Mac), CMD (Windows) oder ein anderes Werkzeug mit grafischer Bedienoberfläche wie SourceTree.
Lars Gregori
Technology Strategist
Sehen Sie sich andere Kurse des Autors auf LinkedIn Learning an.