EMB_81

MACHINE LEARNING | SOFTWARE 59 EMBEDDED SETTEMBRE Basato sullo stesso esempio di riferimento con dataset %: E8;' O4# . : 9 - zioni di un fattore 25 per le operazioni di rete neurale 3 Utilizzo di PyTorch per lo sviluppo di applicazioni di apprendimento automatico basate su MCU PyTorch, un’infrastruttura open-source per l’appren- dimento automatico sviluppata principalmente dal la- % : 1 libreria Torch, è ampiamente utilizzata dagli sviluppa- tori per creare progetti e prodotti di ML/Deep Learning. PyTorch è un’ottima opzione per le MCU di destinazio- ne, dato che impone limiti minimi sulla piattaforma di 7((˜ 3 # 3 #*+ possono creare e compilare i propri modelli nello stesso ambiente di sviluppo, eliminando così i passaggi e sem- À 3 possono anche generare gruppi di modelli direttamen- te da uno script Python, senza dover prima generare 7((˜ : 7((˜ & erano gli unici formati di modello di ingresso supportati 3 #*+ 7((˜ 3 O - ati in altri formati come TensorFlow, sono disponibili tool di conversione dei modelli open source per migrare 7((˜ % @ - ne del formato includono MMDNN, un toolset suppor- tato da per aiutare gli utenti a interagire con diverse infrastrutture di deep learning, e tf2onnx, che è utilizzato per convertire i modelli TensorFlow in 7((˜ 0 di apprendimento approfondito continuano a evolver- una forte domanda sul mercato di soluzioni per l’IoT e di altri dispositivi a bordo rete in grado di eseguire algoritmi di ML/Deep Learning e di prendere decisioni autonome senza l’intervento del cloud. Sebbene la mi- grazione dell’intelligenza dal cloud alla periferia della rete sia una tendenza inarrestabile, essa porta con sé À modi per ottimizzare le applicazioni di ML da eseguire su piccoli dispositivi a bordo rete con risorse limitate di alimentazione, capacità di calcolo e memoria. Proprio come gli architetti e i costruttori richiedono strumenti À sviluppatori hanno bisogno di tool software e di infra- À processo di creazione di progetti di ML/Deep Learning su piattaforme embedded. La suite di tool DeepView D0 3 D0 #*+ À - po che aiuteranno gli sviluppatori embedded a creare la prossima generazione di applicazioni intelligenti a bordo rete. Fig. 2 – Il