XiaoMi-AI文件搜索系统
World File Search SystemTiny
评论文章的微小机器学习资源
我们每天在能够在其内部运行机器学习模型的电子设备中使用2500亿微控制器。不幸的是，这些微控制器中的大多数在计算资源（例如内存使用情况或时钟速度）方面受到了高度限制。这些与使用基本计算机在教学和运行机器学习模型中起关键作用的资源完全相同。但是，在微控制器环境中，有限的资源构成了重要的区别。因此，必须创建一种称为微型机器学习的新范式，以满足嵌入式设备的约束要求。在这篇综述中，我们讨论了可用于克服这些资源不同崇拜的微小机器学习和不同方法的资源优化挑战。此外，我们总结了微小的机器学习框架，库，开发环境和工具的当前状态。微型机器学习设备的基准测试是另一件事。微控制器的这些相同约束以及硬件和软件的多样性转向基准挑战，在嵌入式设备之间可靠地测量性能差异之前，必须解决这些挑战。我们还讨论了新兴技术和方法，以增强和扩展微小的机器学习过程并提高数据隐私和安全性。最终，我们就微型机器学习及其未来的发展做出了结论。
TinyML：在超低功耗物联网边缘设备上为人工智能应用启用推理深度学习模型
摘要：最近，物联网 (IoT) 引起了广泛关注，因为物联网设备被放置在各个领域。其中许多设备都基于机器学习 (ML) 模型，这使它们变得智能并能够做出决策。物联网设备通常资源有限，这限制了在其上执行复杂的 ML 模型（例如深度学习 (DL)）。此外，将物联网设备连接到云以传输原始数据并执行处理会导致系统响应延迟、暴露私人数据并增加通信成本。因此，为了解决这些问题，出现了一种称为微型机器学习 (TinyML) 的新技术，它为应对物联网设备的挑战铺平了道路。该技术允许在设备上本地处理数据，而无需将其发送到云端。此外，TinyML 允许推断 ML 模型，而设备上的 DL 模型则被视为资源有限的微控制器。本文的目的是概述 TinyML 的革命并对 tinyML 研究进行回顾，其中主要贡献是对 tinyML 研究中使用的 ML 模型类型进行分析；它还介绍了数据集的详细信息以及设备的类型和特征，旨在阐明最先进的技术并展望发展需求。
微型 AI 应用的神经形态模拟实现
NASP 解决方案使用迁移学习的原理，其中负责原始数据预处理的神经网络的大多数层（1）在一定数量的训练周期后保持不变（固定模拟核心），并且只有最后几层（2）在接收新数据和重新训练时进行更新（灵活数字核心）。
TinyML：应用人工智能促进发展
人工智能 (AI) 很可能成为实现联合国可持续发展目标 (SDG) 的重要部分。然而，其采用和影响受到巨大的功耗、强大的连接要求和基于云的部署的高成本的限制。TinyML 是一项新技术，它允许机器学习 (ML) 模型在低成本、低功耗的微控制器上运行，从而避免了许多这些问题。我们相信 TinyML 在实现可持续发展目标和促进环境监测、复杂系统物理和能源管理等领域的科学研究方面发挥着重要作用。为了扩大访问和参与度并增加这项新技术的影响力，我们提出了一项倡议，即创建和支持发展中国家致力于 TinyML 的全球学术机构网络。我们建议开发更多开放教育资源、南南学术合作以及旨在实现可持续发展目标的大规模 TinyML 解决方案试点项目。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
TinyML 在教育领域 AI 机器人应用 Vincent Kok
Wio Terminal 硬件上 Seeed Studio 的 Codecraft 基于图形块的编程平台等工具可以作为启动，之后可以采用基于文本的编码来实现更多的集成用例。
OBSBOT Tiny AI 驱动 PTZ 网络摄像头用户手册
OBSBOT Tiny 在 AI 网络摄像头中率先实现了手势控制，使用户能够通过自然简单的手势访问一系列功能，例如选择/取消跟踪目标、放大/缩小。无需按下按钮或中断您的流程。首先，请将您的手放在脸附近，并在做手势时保持手指张开，然后摄像头指示灯将变为蓝色。三个蓝灯一个接一个闪烁，然后全部一起闪烁一次表示您的手势已成功识别。
金星Tinysat-最小，有史以来提议...
Alqahtani，Seba Abdullah Altami，Shifa Dhar。摘要：电子和机械组件的微型化已显着降低了许多宇航成分的大小和质量。本文讨论了金星蒂萨特（VETS），这是一种新的革命量表卫星，芯片/femto-artellite类航天器的成员。chipsats/femto-artelites比立方体或Pocketqube的复杂和便宜得多，更不用说由州机构开发的传统卫星了。VETS是一种女性 - 卫星，提议每侧为1x1 cm的平方。由于船上的组件数量相对较少，因此单个兽医的价格约为20-50美元。具有电池超级电容器，微控制器，无线电收发器和有效载荷实验，这些航天器可以同时大量发射，甚至可能超过100。是大学和高中经营的研究项目，甚至是小型协会，兽医是测量金星的大气和表面的低成本解决方案。收到2021年9月1日；修订：2021年9月12日；被接受的2021年9月14日©作者2021。在www.questjournals.org