意法半導(dǎo)體STM32Cube.AI生態(tài)系統(tǒng)加強對高效機器學習的支持
意法半導(dǎo)體STM32Cube.AI開發(fā)環(huán)境為用戶提供各種機器學習技術(shù),為他們盡可能高效地解決分類、聚類和新穎性檢測三種算法挑戰(zhàn)提供更多靈活性。
本文引用地址:http://www.ex-cimer.com/article/202108/427752.htm除了能夠在STM32*微控制器(MCU)上開發(fā)用于邊緣推理的神經(jīng)網(wǎng)絡(luò)外,最新的STM32Cube.AI版本(7.0版)還支持新的監(jiān)督和半監(jiān)督方法,這些方法可以處理更小的數(shù)據(jù)集和更少的CPU周期。其中包括孤立森林異常檢測(iForest)和單類支持向量機(OC-SVM)新穎性檢測,以及K-means和SVM分類器算法,現(xiàn)在,用戶無需人工寫代碼就能實現(xiàn)這些算法。
除神經(jīng)網(wǎng)絡(luò)之外,這些經(jīng)典機器學習算法讓開發(fā)人員通過易于使用的技術(shù)在STM32微控制器上轉(zhuǎn)換、驗證和部署各種學習模型,縮短研發(fā)周期,更快地解決人工智能開發(fā)挑戰(zhàn)。
STM32Cube.AI允許開發(fā)人員將機器學習處理任務(wù)從云端轉(zhuǎn)移到基于STM32的邊緣設(shè)備,以減少延遲、節(jié)約能源、提高云利用率,并通過大限度地減少互聯(lián)網(wǎng)上的數(shù)據(jù)交換來保護隱私?,F(xiàn)在,用戶使用STM32 MCU具有額外的靈活性,可以選擇高效的機器學習技術(shù)進行設(shè)備上分析,是長期在線使用案例和智能電池供電應(yīng)用的理想之選。
評論