XiaoMi-AI文件搜索系统
World File Search SystemTinyML
小机器学习
近年来，人工智能 (AI) 和机器学习 (ML) 引起了业界和学术界的极大兴趣。值得注意的是，传统的 ML 技术需要大量功率才能达到所需的精度，这限制了它们主要在网络节点等高性能设备上的使用。然而，随着物联网 (IoT) 和边缘计算等技术的进步，将 ML 技术融入资源受限的嵌入式设备以实现分布式和无处不在的智能是可取的。这促使了 TinyML 范式的出现，这是一种嵌入式 ML 技术，可在多种廉价、资源和功率受限的设备上实现 ML 应用。然而，在向适当实施 TinyML 技术的过渡过程中，处理能力优化、可靠性提高和学习模型准确性维护等多项挑战需要及时解决。本文回顾了可用于实施 TinyML 的各种途径。首先，介绍 TinyML 的背景，然后详细讨论支持 TinyML 的各种工具。然后，详细介绍了使用先进技术的 TinyML 的最新应用。最后，确定了各种研究挑战和未来方向。
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。
TinyML 用于步态步幅分类
本论文受版权和/或相关权利保护。本论文由 Digital Scholarship@UNLV 提供，并获得了版权所有者的许可。您可以自由地以适用于您的使用的版权和相关权利立法允许的任何方式使用本论文。对于其他用途，您需要直接获得版权所有者的许可，除非记录和/或作品本身中的知识共享许可表明了其他权利。本论文已被 Digital Scholarship@UNLV 的授权管理员接受，以纳入 UNLV 论文、学位论文、专业论文和顶点课程。有关更多信息，请联系 digitalscholarship@unlv.edu。
Tinyml实施的挑战：文献综述
这项研究旨在使微小的机器学习（Tinyml）实施文献敏感和总结。Tinyml是机器学习（ML）的子集，它专注于在资源约束设备（例如微控制器，嵌入式系统和物联网（IoT）设备）上实现ML模型。对过去十年在该领域发表的作品进行了系统的文献综述。本文的重点是了解这项新兴技术面临的关键挑战。我们提出了Tinyml的五个重大挑战，即有限和动态资源，异质性，网络管理，安全和隐私以及模型设计。对ML，IoT和Edge计算领域感兴趣的研究人员和从业人员将感兴趣。
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。
BiomedBench：适用于低功耗可穿戴设备的 TinyML 生物医学应用基准套件
摘要 — 近几十年来，随着芯片制造技术的进步，使用 mW 范围内的低复杂度 ML 可以实时监测患者，生物医学领域的低功耗可穿戴设备的设计受到了广泛关注。尽管应用和硬件设计研究取得了进展，但该领域缺乏系统的硬件评估方法。在这项工作中，我们提出了 BiomedBench，这是一个新的基准套件，由完整的端到端 TinyML 生物医学应用程序组成，用于使用可穿戴设备实时监测患者。每个应用程序在典型的信号采集和处理阶段都有不同的要求，包括不同的计算工作量以及活动时间和空闲时间之间的关系。此外，我们对五个最先进的低功耗平台的能效评估表明，现代平台无法有效地针对所有类型的生物医学应用。BiomedBench 作为开源套件发布，旨在标准化硬件评估并指导 TinyML 可穿戴领域的硬件和应用程序设计。
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。
暂定讲习班时间表 - 纳瓦霍技术大学
这是针对高中老师和学生的首个，为期1周，动手/虚拟课程，将为您提供通过小型机器学习（Tinyml）的动手实例来开发ML应用ML的经验。Tinyml是一个尖端的领域，它将机器学习的变革力（ML）带入小型低功率计算设备。本课程将使参与者接触到Tinyml的应用程序，算法，硬件和软件。将为参与者提供一个Arduino微型机器学习套件，他们将通过部署和测试自己的Tinyml模型来动手探索Tinyml的机遇和挑战。课程完成后，学生将在Tiny Machine Learning的Harvardx专业证书计划中表现得很好，这是一种免费的在线MOOC，可以更深入地了解微型机器学习的世界，并提供更多的体验。该计划是纳瓦霍技术大学，哈佛大学约翰·鲍尔森工程和应用科学学院和Google之间的合作，并将从2021年6月22日至6月25日进行。研讨会向中学和高中老师和学生开放。我们将接受多达50名与会者，并偏爱为纳瓦霍民族服务的学校入学的学生和老师。访问http://www.tinymlx.org/crestlex3/有关此程序的更多信息，并在2021年5月15日之前申请。我们期待今年夏天与您一起探索Tinyml。被选为研讨会的教师将为他们的时间提供补偿。
在自定义RISC-V ASIPS上嵌入机器学习的挑战
Solution: End-to-End TinyML Deployment and Benchmarking Flow • [MLIF] (Machine Learning Interface) • Framework/target-independent abstraction layers for Target SW • [MLonMCU] • Provides support for • 15+ targets (mainly RISC-V simulators) • 6 backends ([TVM] and TFLM) • Handling of Dependencies • Analysis and Exploration methods • Designed with并行性/可重复性