您的当前位置:首页 > 经济 > 怎么练习一个有用的eIQ根本分类模型 正文

怎么练习一个有用的eIQ根本分类模型

时间:2025-05-29 06:03:32 来源:网络整理 编辑:经济

核心提示

一、概述。eIQ Neutron神经处理单元(NPU)是一种高度可扩展的加快器中心架构,供给ML加快。与传统。MCU。Kine。ti。s、。LPC。系列比较,MCX N系列初次集成了恩智浦 eIQ N

一、概述。

eIQ Neutron神经处理单元(NPU)是一种高度可扩展的加快器中心架构,供给ML加快。与传统。MCU。Kine。ti。s、。LPC。系列比较,MCX N系列初次集成了恩智浦 eIQ Neutron神经处理单元(NPU),用于。机器学习。(ML)加快。比较独自的。CPU。核,eIQ Neutron NPU能够供给高达42倍的机器学习推理功能,MCX N94x每秒能够履行4.8 G次运算,使其能够高效地运行在 MCX CPU和eIQ Neutron NPU上。 eIQPortal它是一个直观的图形用户界面(GUI),简化了ML开发。开发人员能够创立、优化、调试和导出ML模型,以及导入数据集和模型,快速练习并布置。神经网络。模型和ML作业负载。

在本文中,咱们将讨论怎么练习一个有用的eIQ根本分类模型,并将其成功布置到MCX N947设备上。

硬件。环境:

开发板FRDM-MCXN947。

显现屏3.5"。 TF。T LCD(P/N PAR-LCD-S035)。

摄像头OV7670。

软件环境:

eIQ Portal:eIQ MLSoftware Development Environment |。 NXP。Sem。ic。onductors。

MCUXpressoIDE v11.9.0。

Application Code Hub Demo: Label CIFAR10 image。

二、根本模型分类练习及布置。

主要内容分为三步:模型练习、模型转化和模型布置。

1.数据集预备。

数据集为简略演示apple、banana两分类,练习集、测验集份额为8:2,依据eIQ_Toolkit_UG.pdf说到的3.3.2 Structured folde。rs。dataset:

文件夹结构如下:

注:数据集需依照以上文件夹格局设置。

2. 创立工程及数据集导入eIQ。

(1) 翻开eIQ Portal东西,点击create project->import dataset:

(2) 以StructuredFolders导入:

(3) 点击“IMPORT”后,挑选工程保存途径,点击“保存”:

3.挑选base models练习。

(1)数据集导入后,点击select model,挑选base models,修正input size为128,128,3:

(2)点击start tr。ai。ning。注:其他。参数。依据需求进行设定即可,此处learning ra。te。、batch size、epoch为默认值,此处为演示,练习一轮,用户能够依据需求练习模型到达使用要求。练习完结如下:

舒畅精度一向不合格,能够经过修正各练习参数,或许更新练习数据,再次点击CONTINUE TRAINING继续进行练习。

4.模型评价VALIDATE。

(1) 点击VALIDATE,进入模型评价,设置参数Softmax,input DataType和output Data Type,现在MCXN系列Neutron NPU只支撑int8类型,挑选Softmax函数的阈值是一个需求归纳考虑多种要素的进程,应该依据详细的使用场景和功能方针来决议最合适的阈值,在实践操作中,需求经过屡次试验和调整来找到最佳的阈值:

(2).设置完结后,点击VALIDATE,等候生成混杂矩阵,经过混杂矩阵咱们能够明晰看出不同类别的分类状况,图中x轴是猜测的。标签。,y轴是实践的标签,能够看到每一张图片猜测标签和实践标签的对应状况:

5.模型导出。TensorFlow。Lite。

(1) 点击DEPLOY,设置Export file Type,input Data Type和output Data Type,翻开Export Quantized Model,然后点击Export Model:

(2).设置模型保存方位,点击保存:

6.转化Tens。or。Flow Lite for Neutron (.tflite)。

(1) 保存完结后,点击open model,能够检查模型结构:

(2) 点击convert,挑选TensorFlow Lite for Neutron (.tflite):

(3) 挑选Neutron Target,点击convert,设置保存途径即可:

7.将模型布置到Label CIFAR10 image工程。

此示例根据机器学习。算法。,由 MCXN947 供给支撑, 它能够符号来自相机的图画,并在LCD底部显现物体的类型。

该模型在数据集CIFAR10上进行练习,它支撑 10 类图画:

“飞机”、“轿车”、“鸟”、“猫”、“鹿”、“狗”、“青蛙”、“马”、“船”、“货车”。

(1) 翻开MCUXpresso IDE,从Application Code Hub导入Label CIFAR10 image工程:

(2) 挑选工程,点击GitHub Link->Next:

(3).设置保存途径,Next->Next->Finish:

(4).导入成功后,点击“source”文件夹->model文件夹,翻开model_data.s,将最终经过eiq转化的模型文件复制到model文件下,在model_data.s修正导入模型的称号(转化模型的称号):

注:工程中导入的模型是经过屡次练习得到的模型。

(5) 点击“source”文件夹->model文件夹->翻开labers.h文件,修正labers[ ],标签签定为eIQ中数据集显现的签定 :

(6) 编译工程,下载。到开发板。

三、试验成果。

四、总结。

关于期望在MCX N系列边际设备上完成高效机器学习使用的开发人员来说,把握这些技能和东西是至关重要的。

经过高效使用eIQ Neutron NPU的强壮功能和eIQ Portal的快捷东西,开发人员能够大大简化从模型练习到布置的整个进程。这不只加快了机器学习使用的开发周期,还提升了使用的功能和可靠性。

作者:王浩 杨聪哲。

内容来源:https://sonybravia.xyz/app-1/soi kèo uc,http://chatbotjud.saude.mg.gov.br/app-1/aposta-ganha-bet

上一篇: 系统发生错误

系统发生错误

您可以选择 [ 重试 ] [ 返回 ] 或者 [ 回到首页 ]

[ 错误信息 ]

页面发生异常错误,系统设置开启调试模式后,刷新本页查看具体错误!