کتاب شتابدهی سختافزاری برای TinyML: طراحی و پیادهسازی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره شتابدهی سختافزاری برای TinyML: طراحی و پیادهسازی
موضوع کلی: مهندسی کامپیوتر
موضوع میانی: یادگیری ماشین تعبیه شده
📋 سرفصلهای دوره
- 1. مقدمهای بر TinyML و کاربردهای آن
- 2. مفاهیم کلیدی یادگیری ماشین برای دستگاههای تعبیهشده
- 3. محدودیتهای منابع در دستگاههای TinyML
- 4. معماریهای سختافزاری برای TinyML
- 5. پردازندههای عصبی (Neural Processors)
- 6. شتابدهندههای مبتنی بر FPGA برای TinyML
- 7. شتابدهندههای مبتنی بر ASIC برای TinyML
- 8. بهینهسازی مدلهای یادگیری ماشین برای TinyML
- 9. کوانتیزاسیون مدلهای یادگیری ماشین
- 10. هرس کردن (Pruning) مدلهای یادگیری ماشین
- 11. تکنیکهای فشردهسازی مدل
- 12. تبدیل مدلهای TensorFlow Lite به فرمتهای قابل اجرا روی TinyML
- 13. معرفی ابزارهای توسعه TinyML
- 14. استفاده از TensorFlow Lite Micro
- 15. استفاده از microTVM برای TinyML
- 16. معرفی پلتفرمهای سختافزاری TinyML (Arduino, STM32, ESP32)
- 17. برنامهنویسی low-level برای سختافزارهای TinyML
- 18. بهینهسازی مصرف انرژی در TinyML
- 19. محاسبات در حافظه (In-Memory Computing) برای TinyML
- 20. شتابدهی سختافزاری لایههای کانولوشن
- 21. شتابدهی سختافزاری لایههای Fully Connected
- 22. شتابدهی سختافزاری توابع فعالسازی
- 23. شتابدهی سختافزاری لایههای Pooling
- 24. طراحی شتابدهنده سفارشی برای TinyML
- 25. پیادهسازی یک شتابدهنده TinyML با استفاده از Verilog/VHDL
- 26. تست و اعتبارسنجی شتابدهنده TinyML
- 27. مقایسه عملکرد شتابدهندههای مختلف TinyML
- 28. بررسی case study: تشخیص گفتار با TinyML
- 29. بررسی case study: تشخیص تصویر با TinyML
- 30. بررسی case study: تشخیص فعالیت با TinyML
- 31. طراحی یک سیستم TinyML کامل (از مدل تا سختافزار)
- 32. روشهای ارزیابی عملکرد مدلهای TinyML
- 33. معرفی ابزارهای پروفایلینگ و دیباگینگ TinyML
- 34. امنیت در TinyML
- 35. حریم خصوصی در TinyML
- 36. چالشها و آینده TinyML
- 37. بهینهسازی کد C++ برای TinyML
- 38. استفاده از دستورالعملهای SIMD در TinyML
- 39. تکنیکهای مدیریت حافظه در TinyML
- 40. بهینهسازی مصرف انرژی با استفاده از clock gating
- 41. بهینهسازی مصرف انرژی با استفاده از voltage scaling
- 42. استفاده از DMA برای انتقال دادههای کارآمد
- 43. برنامهنویسی درایور برای سختافزارهای TinyML
- 44. استفاده از RTOS در TinyML
- 45. روشهای مقابله با نویز و خطا در TinyML
- 46. طراحی سیستمهای مقاوم در برابر حملات adversarial
- 47. آشنایی با استانداردهای ارتباطی در TinyML (BLE, LoRaWAN)
تگها:
ASIC
Deep Learning
Edge Computing
Embedded Machine Learning
Embedded Systems
FPGA
Hardware Acceleration
IoT
Low Power
Machine Learning
microTVM
Neural Networks
TensorFlow Lite Micro
TinyML
شتابدهی سختافزاری
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.