Embedded- und Machine-Learning-Modelle mit TensorFlow Lite und uTensor
Mit TensorFlow Lite lassen sich Machine-Learning-Anwendungen für Embedded-Geräte und Smartphones umsetzen. Das ermöglicht unter anderem dem Raspberry Pi, TensorFlow-Modelle auf dem Gerät auszuführen. uTensor geht noch einen Schritt weiter und bringt AI auf den Mikrocontroller (MCU). MCUs sind klein, kostengünstig und energieeffizient, aber auch langsam und haben wenig RAM, wodurch die Ausführung nicht einfacher wird.
Der Workshop führt zunächst in den Einsatz von TensorFlow ein, um den Entwicklern im Anschluss die Verwendungen von TensorFlow Lite zu zeigen. Eine Demo zeigt den praktischen Einsatz. Anschließend lernen die Teilnehmer uTensor kennen. Sie erfahren, wie sie mit den Einschränkungen in RAM und Performance umgehen.
Agenda- ab 09:00 Uhr: Registrierung und Begrüßungskaffee
- 10:00 Uhr: Keras-Überblick und erstes ML Modell
- 11:00 Uhr: TF-Operatoren und noch mehr Modelle
- 12:00 Uhr: Mittagspause
- 13:00 Uhr: TensorFlow.js und uTensor – Wir werden kleiner
- 15:00 Uhr: Kaffeepause
- 16:00 Uhr: uTensor Beispiele auf der Hardware (MCU)
- ca. 17:30 Uhr: Ende
Technische Anforderungen
Es wird ein eigener Laptop benötigt. Auf dem Rechner sollte bereits Python 2.7 installiert sein.
Falls Sie ein Gerät Ihrer Firma verwenden, überprüfen Sie vorher bitte, ob eines der folgenden, gelegentlich vorkommenden Probleme bei Ihnen auftreten könnte:
* Workshop-Teilnehmer hat keine Administratorrechte
* Corporate Laptops mit übermäßig penibler Sicherheitssoftware
* Gesetzte Corporate-Proxys, über die man in der Firma kommunizieren muss, die aber in einer anderen Umgebung entsprechend nicht erreicht werden
Vorkenntnisse
Programmierkenntnisse (z.B. Python, C/C++) und ein grundsätzliches Verständnis von TensorFlow sind von Vorteil, aber nicht notwendig.
Lernziele
Die Teilnehmer lernen den Einsatz von Machine Learning auf Embedded Devices. Sie erfahren, welche Vor- und Nachteile das mit sich bringt, und wie sie ML sinnvoll einsetzen können.