Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
www designelektronik de DESIGN&ELEKTRONIK 04 2021 9 ausgeführt der derzeit einzige Baustein der i MX-RT-Serie mit einem integrierten für die Verarbeitung von neuronalen Netzwerkoperatoren optimierten DSP Die i MX RT1060 enthält einen 600-MHz-Arm-Cortex-M7 1 MB SRAM sowie optimierte Funktionen für Echtzeitanwendungen wie beispielsweise für hohe Datenraten nutzbare GPIO und CAN-FD und einen synchronen Parallel-NAND NOR PSRAM-Controller Der i MX RT685 enthält einen 600-MHz-Cadence-Tensilica-HiFi-4-DSP-Kern gepaart mit einem 300-MHzArm-Cortex-M33-Kern und 4 5 MB SRAM auf dem Chip sowie sicherheitsrelevante Funktionen Die Glow-Implementierung von NXP ist eng an der neuronalen Netzwerkbibliothek NNLib von Cadence ausgerichtet Obwohl der HiFi-4-DSP-Kern des RT685-Mikrocontrollers zur Verbesserung der Sprachverarbeitung ausgelegt ist kann er zusätzlich eine Vielfalt von neuronalen Netzwerkoperatoren beschleunigen wenn er mit der NNLib-Bibliothek als LLVM für Glow verwendet wird Obwohl NNLib Ähnlichkeiten zu CMSIS-NN aufweist bietet die Bibliothek einen umfangreicheren Satz an manuell abgestimmten Operatoren die für den HiFi-4-DSP optimiert sind Auf der Grundlage desselben CIFAR-10-Benchmark-Beispiels bietet der HiFi-4-DSP eine 25-fache Leistungssteigerung für neuronale Netzwerksoperationen im Vergleich zu einer standardmäßigen Glow-Compiler-Implementierung ■ PyTorch für die MCUbasierte ML-Entwicklung PyTorch ist ein Open-Source-MachineLearning-Framework das vornehmlich vom LITERATUR 1 Visual intelligence at the edge Au-Zone Technologies Website www embeddedml com KI-Forschungslabor von Facebook entwickelt wurde und auf der Torch-Bibliothek basiert PyTorch wird häufig von Entwicklern zum Erstellen von Machine-Deep-Learning-Projekten und -Produkten genutzt Das Framework ist eine gute Wahl für Mikrocontrollersysteme da es minimale Einschränkungen für Verarbeitungsplattformen aufweist und ONNX-Modelle erzeugen kann die von Glow kompiliert werden können Da Entwickler über PyTorch direkt auf Glow zugreifen können sind sie in der Lage ihre Modelle in derselben Entwicklungsumgebung zu erstellen und zu kompilieren wodurch Schritte eliminiert werden und der Kompilierungsprozess vereinfacht wird Zudem können Entwickler Bundles direkt aus einem Python-Skript generieren ohne zuerst ONNX-Modelle erzeugen zu müssen Bis vor kurzem waren ONNX und Caffe2 die einzigen Eingabemodellformate die von Glow unterstützt wurden PyTorch kann nun Modelle direkt in das ONNX-Format zur Verwendung durch Glow exportieren Da viele bekannte Modelle in anderen Formaten beispielsweise TensorFlow erstellt wurden stehen Open-SourceTools für die Modellkonvertierung zur Verfügung um sie in das ONNX-Format zu überführen Zu populären Tools für die Formatkonvertierung zählen MMdnn ein von Microsoft unterstütztes Toolset das den Benutzern hilft mit verschiedenen Deep-Learning-Frameworks zu arbeiten und tf2onnx das zum Konvertieren von TensorFlow-Modellen in das ONNX-Format verwendet wird ■ Tools und Frameworks erleichtern Entwicklung von ML-Anwendungen Machineund Deep-Learning-Technologien entwickeln sich immer schneller weiter Gleichzeitig sehen wir einen starken Marktimpuls für IoTund andere Edge-Geräte die Machine-Deep-LearningAlgorithmen ausführen und autonome Entscheidungen ohne Cloud-Eingriff treffen können Obwohl die Migration von KIAnwendungen aus der Cloud an den Rand des Netzwerks ein unaufhaltbarer Trend ist geht er mit Herausforderungen einher da die Entwickler Möglichkeiten zum Optimieren von ML-Anwendungen finden müssen die auf winzigen Edge-Einheiten mit Leistungs-Verarbeitungsund Speicherbeschränkungen ausgeführt werden Genau wie Architekten und Bauunternehmer spezielle Werkzeuge für den Bau von Wohnungen und Städten der Zukunft benötigen brauchen Entwickler von embedded Systemen optimierte benutzerfreundliche Softwaretools und Frameworks um den Entwicklungsprozess von Machine-Deep-Learning-Projekten auf embedded Systemen zu vereinfachen Die DeepView-MLTool-Suite der Glow-ML-Compiler und das PyTorch-Framework sind Beispiele für eine zunehmende Anzahl von Entwicklungsressourcen die Entwicklern von embedded Systemen dabei helfen die nächste Generation Edge-KI-Anwendungen zu entwickeln hs Bild 2 Der Glow-Compiler verwendet ein Berechnungsdiagramm um einen optimierten Maschinencode für ML-Anwendungen zu generieren