0
Microsoft hat die Embedded Learning Library, bietet Entwicklern eine vorab geschult, Bilderkennung Modell für Raspberry Pi und andere Entwickler-boards.
Die frühe Vorschau von Embedded Learning Library (FSL), jetzt verfügbar auf GitHub, ist Teil von Microsofts Bemühungen, Sie zu miniaturisieren die machine-learning-software für eine Reihe von sehr low-powered-chips auf Geräten, die nicht mit der cloud verbunden.
Wie das Unternehmen erklärt in einem blogpost, einem team bei Microsoft Research lab arbeitet auf der Komprimierung von seiner machine-learning-Modelle arbeiten auf dem Cortex-M0, ARM-Prozessor, nicht größer als eine breadcrumb.
Das Ziel ist zu schieben machine learning, um Geräte, die nicht mit dem internet verbunden, wie Gehirn-Implantate. Der neue Microsoft-art-Funktion für seine Pix iPhone-Foto-app nutzt AI auf dem Gerät, aber der plan ist, aktivieren Sie Sie für viel weniger leistungsstarke chips, wie ein Gehirn-Implantat, die vielleicht arbeiten müssen, ohne eine Netzwerk-Verbindung.
Es ist die aktuelle Kompression Bemühungen führten dazu, dass in der machine-learning-Modelle von 10 bis 100 mal kleiner, aber es läuft auf einem Cortex M0, müssen die Modelle sein, die 1.000 bis 10.000-mal kleiner.
Heute jedoch, FSL steht für die relativ starken und großen Raspberry Pi, Arduinos, BBC micro:bit-und andere mikrocontroller.
ELL für diese Geräte setzt auf komprimierte machine-learning-Modelle, die geschult wurden und für die cloud, in der Erwägung, dass seine Arbeit auf Cortex-M0-training-algorithmen, die abgestimmt sind für bestimmte Szenarien.
Das kleinste Gerät der Forscher getestet haben, ist der single-board computer, Arduino Uno mit 2 Kilobyte RAM.
Ofer Dekel, ein principal research bei der Microsoft Research Machine Learning and Optimization-Gruppe, trainiert von computer-vision-Modell zum Umgang mit einem Eichhörnchen, das problem in seinem Hof. Dekel eingesetzt wird das Modell auf einem Raspberry Pi 3-up süchtig mit einer webcam, die schaltet die Sprinkleranlage, wenn es erkennt ein Eichhörnchen.
Er bot Anweisungen auf GitHub für Maker, die den Einstieg mit einem ähnlichen system, das erkennt Objekte und druckt ein Etikett, das beschreibt, was es ist.
0