91欧美超碰AV自拍|国产成年人性爱视频免费看|亚洲 日韩 欧美一厂二区入|人人看人人爽人人操aV|丝袜美腿视频一区二区在线看|人人操人人爽人人爱|婷婷五月天超碰|97色色欧美亚州A√|另类A√无码精品一级av|欧美特级日韩特级

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線(xiàn)課程
  • 觀(guān)看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

TinyMaix - 面向單片機(jī)的超輕量級(jí)的神經(jīng)網(wǎng)絡(luò)推理庫(kù)

痞子衡嵌入式 ? 來(lái)源:痞子衡嵌入式 ? 作者:痞子衡嵌入式 ? 2022-11-24 09:41 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

項(xiàng)目類(lèi)

1、TinyMaix - 面向單片機(jī)的超輕量級(jí)的神經(jīng)網(wǎng)絡(luò)推理庫(kù)

TinyMaix 是專(zhuān)為低資源的單片機(jī)設(shè)計(jì)的 AI 神經(jīng)網(wǎng)絡(luò)推理框架,通常被稱(chēng)為 TinyML。TinyMaix 可以讓你在任意單片機(jī)上運(yùn)行輕量級(jí)深度學(xué)習(xí)模型。TinyMaix 的設(shè)計(jì)原則:易用性 > 移植性 > 速度 > 空間。

TinyMaix 其實(shí)是矽速科技(Sipeed)利用兩個(gè)周末的業(yè)余時(shí)間完成的項(xiàng)目,它足夠簡(jiǎn)單,可以在 30 分鐘內(nèi)讀完代碼,可以幫助新手理解它是怎么運(yùn)行的。

  • 項(xiàng)目地址:https://github.com/sipeed/TinyMaix

TinyMaix 關(guān)鍵特性:

- 核心代碼少于400行(tm_layers.c+tm_model.c+arch_cpu.h), 代碼段(.text)少于3KB
- 低內(nèi)存消耗,甚至Arduino ATmega328 (32KB Flash, 2KB Ram) 都能基于TinyMaix跑mnist(手寫(xiě)數(shù)字識(shí)別)
- 支持INT8/FP32/FP16模型,實(shí)驗(yàn)性地支持FP8模型,支持keras h5或tflite模型轉(zhuǎn)換
- 支持多種芯片架構(gòu)的專(zhuān)用指令優(yōu)化: ARM SIMD/NEON/MVEI,RV32P, RV64V
- 友好的用戶(hù)接口,只需要load/run模型~
- 支持全靜態(tài)的內(nèi)存配置(無(wú)需malloc)
- MaixHub 在線(xiàn)模型訓(xùn)練支持

2、ZS1100A - 專(zhuān)用于物聯(lián)網(wǎng)功耗測(cè)量的開(kāi)源功率計(jì)

大多數(shù)用于創(chuàng)建物聯(lián)網(wǎng)(IoT)的設(shè)備都是用小電池工作的。由于當(dāng)前消費(fèi)電子的動(dòng)態(tài)性,測(cè)量這些物聯(lián)網(wǎng)設(shè)備的能耗是一項(xiàng)艱巨的任務(wù)。開(kāi)發(fā)人員經(jīng)常需要使用多種儀器和手工計(jì)算來(lái)估計(jì)能源消耗。ZS1100A 型電能表就是為解決這些問(wèn)題的。該工具可以非常準(zhǔn)確和詳細(xì)地繪制電流消耗與時(shí)間的關(guān)系,可以與電池模型一起使用,以估計(jì)電池的總體壽命。

  • 項(xiàng)目主頁(yè):https://www.crowdsupply.com/zscircuits/zs1100a-power-meter
  • 項(xiàng)目地址:https://github.com/zscircuits/zs1100a
eb8a90aa-6b94-11ed-8abf-dac502259ad0.png

3、dynamic_loader - 單片機(jī)上實(shí)現(xiàn)動(dòng)態(tài)加載功能的函數(shù)庫(kù)

dynamic_loader 是一個(gè)在單片機(jī)(如:STM32)上實(shí)現(xiàn)動(dòng)態(tài)加載功能的函數(shù)庫(kù),與 Windows 中的 dll,Linux 中的 so 類(lèi)似,可以將代碼動(dòng)態(tài)地從其他的存儲(chǔ)介質(zhì),動(dòng)態(tài)加載到 RAM 中。

程序使用 dl_load_lib 加載相應(yīng)的庫(kù)文件到句柄中,加載成功后可使用 dl_get_func,通過(guò)函數(shù)名獲得相應(yīng)函數(shù)指針,在不需要使用時(shí)可使用 dl_destroy_lib 對(duì)句柄進(jìn)行釋放。

  • 項(xiàng)目地址:https://gitee.com/wzh1845462801/dynamic_loader
  • 詳細(xì)介紹:https://www.armbbs.cn/forum.php?mod=viewthread&tid=109952

4、little-bee-B1 - 開(kāi)源實(shí)用的高性能電流和磁場(chǎng)探頭

little-bee-B1 是一種基于各向異性磁電阻(AMR)磁傳感器的開(kāi)源磁場(chǎng)和電流探頭。它直接感知磁場(chǎng),并通過(guò)電流傳感附件測(cè)量電流,該附件由放置在導(dǎo)線(xiàn)周?chē)挠虚g隙的鐵氧體環(huán)形體組成,在導(dǎo)線(xiàn)中的電流和傳感器所受的磁場(chǎng)之間建立固定的關(guān)系。

  • 項(xiàng)目地址:https://github.com/westonb/little-bee-B1

特性如下:

- 可調(diào)帶寬(10mhz和1mhz)
- 可調(diào)增益(1倍和4倍)
- SMA輸出連接器
- 連接到任何標(biāo)準(zhǔn)1 MΩ阻抗示波器輸入
- 單節(jié)AA電池供電(續(xù)航4小時(shí))
- 自動(dòng)歸零

5、White Rabbit - 亞納秒級(jí)同步精度的網(wǎng)絡(luò)數(shù)據(jù)傳輸項(xiàng)目

White Rabbit 為大型分布式系統(tǒng)提供亞納秒級(jí)同步精度,它還允許確定性和可靠的數(shù)據(jù)傳輸。White Rabbit 允許您對(duì)測(cè)量數(shù)據(jù)進(jìn)行精確的時(shí)間標(biāo)記,并允許您在大型安裝中觸發(fā)數(shù)據(jù),同時(shí)使用相同的網(wǎng)絡(luò)傳輸數(shù)據(jù)。

  • 項(xiàng)目地址:https://ohwr.org/project/white-rabbit/wikis/home

White Rabbit 特點(diǎn):

- 亞納秒級(jí)同步
- 支持連接數(shù)千個(gè)節(jié)點(diǎn)
- 節(jié)點(diǎn)之間的典型距離為 10 km
- 基于千兆以太網(wǎng)的的可靠數(shù)據(jù)傳輸
- 硬件、固件和軟件全開(kāi)源
ebbf95e8-6b94-11ed-8abf-dac502259ad0.png


審核編輯 :李倩


聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀(guān)點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:痞子衡嵌入式半月刊:第 67 期

文章出處:【微信號(hào):pzh_mcu,微信公眾號(hào):痞子衡嵌入式】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    面向嵌入式部署的神經(jīng)網(wǎng)絡(luò)優(yōu)化:模型壓縮深度解析

    1.為什么需要神經(jīng)網(wǎng)絡(luò)模型壓縮? 神經(jīng)網(wǎng)絡(luò)已經(jīng)成為解決復(fù)雜機(jī)器學(xué)習(xí)問(wèn)題的強(qiáng)大工具。然而,這種能力往往伴隨著模型規(guī)模和計(jì)算復(fù)雜度的增加。當(dāng)輸入維度較大(例如長(zhǎng)時(shí)序窗口、高分辨率特征空間)時(shí),模型需要
    的頭像 發(fā)表于 02-24 15:37 ?5018次閱讀
    <b class='flag-5'>面向</b>嵌入式部署的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>優(yōu)化:模型壓縮深度解析

    神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)

    日常生活中的智能應(yīng)用都離不開(kāi)深度學(xué)習(xí),而深度學(xué)習(xí)則依賴(lài)于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)?神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物神經(jīng)系統(tǒng)的結(jié)構(gòu),特別是大腦中神經(jīng)
    的頭像 發(fā)表于 12-17 15:05 ?338次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的初步認(rèn)識(shí)

    NMSISI庫(kù)的使用

    NMSIS NN 軟件庫(kù)是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核,旨在最大限度地提高 Nuclei N 處理器內(nèi)核上的神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。 該庫(kù)分為多個(gè)功能,每個(gè)功能涵蓋特定
    發(fā)表于 10-29 07:07

    NMSIS神經(jīng)網(wǎng)絡(luò)庫(kù)使用介紹

    NMSIS NN 軟件庫(kù)是一組高效的神經(jīng)網(wǎng)絡(luò)內(nèi)核,旨在最大限度地提高 Nuclei N 處理器內(nèi)核上的神經(jīng)網(wǎng)絡(luò)的性能并最??大限度地減少其內(nèi)存占用。 該庫(kù)分為多個(gè)功能,每個(gè)功能涵蓋特定
    發(fā)表于 10-29 06:08

    構(gòu)建CNN網(wǎng)絡(luò)模型并優(yōu)化的一般化建議

    通過(guò)實(shí)踐,本文總結(jié)了構(gòu)建CNN網(wǎng)絡(luò)模型并優(yōu)化的一般化建議,這些建議將會(huì)在構(gòu)建高準(zhǔn)確率輕量級(jí)CNN神經(jīng)網(wǎng)絡(luò)模型方面提供幫助。 1)避免單層神經(jīng)網(wǎng)絡(luò):我們清楚
    發(fā)表于 10-28 08:02

    在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)

    模型。 我們使用MNIST數(shù)據(jù)集,訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型,用于手寫(xiě)數(shù)字識(shí)別。一旦模型被訓(xùn)練并保存,就可以用于對(duì)新圖像進(jìn)行推理和預(yù)測(cè)。要使用生成的模型進(jìn)行推理,可以按照以下步驟進(jìn)行操作: 1.
    發(fā)表于 10-22 07:03

    CICC2033神經(jīng)網(wǎng)絡(luò)部署相關(guān)操作

    在完成神經(jīng)網(wǎng)絡(luò)量化后,需要將神經(jīng)網(wǎng)絡(luò)部署到硬件加速器上。首先需要將所有權(quán)重?cái)?shù)據(jù)以及輸入數(shù)據(jù)導(dǎo)入到存儲(chǔ)器內(nèi)。 在仿真環(huán)境下,可將其存于一個(gè)文件,并在 Verilog 代碼中通過(guò) readmemh 函數(shù)
    發(fā)表于 10-20 08:00

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    1.算法簡(jiǎn)介液態(tài)神經(jīng)網(wǎng)絡(luò)(LiquidNeuralNetworks,LNN)是一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu),其設(shè)計(jì)理念借鑒自生物神經(jīng)系統(tǒng),特別是秀麗隱桿線(xiàn)蟲(chóng)的神經(jīng)結(jié)構(gòu),盡管這種微生物的
    的頭像 發(fā)表于 09-28 10:03 ?1244次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    神經(jīng)網(wǎng)絡(luò)的并行計(jì)算與加速技術(shù)

    隨著人工智能技術(shù)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和廣泛的應(yīng)用前景。然而,神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和規(guī)模也在不斷增加,這使得傳統(tǒng)的串行計(jì)算方式面臨著巨大的挑戰(zhàn),如計(jì)算速度慢、訓(xùn)練時(shí)間長(zhǎng)等
    的頭像 發(fā)表于 09-17 13:31 ?1143次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的并行計(jì)算與加速技術(shù)

    基于米爾瑞芯微RK3576開(kāi)發(fā)板部署運(yùn)行TinyMaix超輕量級(jí)推理框架

    本文將介紹基于米爾電子MYD-LR3576開(kāi)發(fā)平臺(tái)部署超輕量級(jí)推理框架方案:TinyMaix 摘自?xún)?yōu)秀創(chuàng)作者-短笛君 TinyMaix面向
    發(fā)表于 07-25 16:35

    如何在RK3576開(kāi)發(fā)板上運(yùn)行TinyMaix超輕量級(jí)推理框架--基于米爾MYD-LR3576開(kāi)發(fā)板

    本文將介紹基于米爾電子MYD-LR3576開(kāi)發(fā)平臺(tái)部署超輕量級(jí)推理框架方案:TinyMaix摘自?xún)?yōu)秀創(chuàng)作者-短笛君TinyMaix面向
    的頭像 發(fā)表于 07-25 08:03 ?4251次閱讀
    如何在RK3576開(kāi)發(fā)板上運(yùn)行<b class='flag-5'>TinyMaix</b> :<b class='flag-5'>超輕量級(jí)</b><b class='flag-5'>推理</b>框架--基于米爾MYD-LR3576開(kāi)發(fā)板

    無(wú)刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測(cè)方法的研究

    摘要:論文通過(guò)對(duì)無(wú)刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)轉(zhuǎn)角預(yù)測(cè),并采用改進(jìn)遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù),借助
    發(fā)表于 06-25 13:06

    神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)在電機(jī)故障診斷中的應(yīng)用

    摘要:針對(duì)傳統(tǒng)專(zhuān)家系統(tǒng)不能進(jìn)行自學(xué)習(xí)、自適應(yīng)的問(wèn)題,本文提出了基于種經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的并步電機(jī)故障診斷方法。本文將小波神經(jīng)網(wǎng)絡(luò)和專(zhuān)家系統(tǒng)相結(jié)合,充分發(fā)揮了二者故障診斷的優(yōu)點(diǎn),很大程度上降低了對(duì)電機(jī)
    發(fā)表于 06-16 22:09

    神經(jīng)網(wǎng)絡(luò)RAS在異步電機(jī)轉(zhuǎn)速估計(jì)中的仿真研究

    眾多方法中,由于其結(jié)構(gòu)簡(jiǎn)單,穩(wěn)定性好廣泛受到人們的重視,且已被用于產(chǎn)品開(kāi)發(fā)。但是MRAS仍存在在低速區(qū)速度估計(jì)精度下降和對(duì)電動(dòng)機(jī)參數(shù)變化非常敏感的問(wèn)題。本文利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn),使估計(jì)更為簡(jiǎn)單、快速
    發(fā)表于 06-16 21:54

    基于FPGA搭建神經(jīng)網(wǎng)絡(luò)的步驟解析

    本文的目的是在一個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)通過(guò)python或者M(jìn)ATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,將訓(xùn)練好的模型的權(quán)重和偏置文件以TXT文件格式導(dǎo)出,然后通過(guò)python程序?qū)xt文件轉(zhuǎn)化為coe文件,(coe
    的頭像 發(fā)表于 06-03 15:51 ?1239次閱讀
    基于FPGA搭建<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的步驟解析