基于ARM Ethos-U NPU的嵌入式系统机器学习

使用Ethos-U NPU、TensorFlow Lite Micro和Alif E7 ML工具包，在基于ARM的嵌入式设备上部署CNN和AI模型

嵌入式系统机器学习与ARM Ethos-U
您是否已准备好将机器学习的力量带入嵌入式系统领域？本课程将带您完成一次完整的实践之旅，展示如何将现代AI模型（如用于视觉和音频任务的CNN）高效部署在配备专用NPU的ARM平台上。

与大多数止步于训练的机器学习课程不同，本课程将带您走完端到端全流程——从模型设计一直到在真实嵌入式硬件上运行推理。

MP4 | 视频：h264，1280×720 | 音频：AAC，44.1 KHz，2 Ch
语言：英语 | 时长：4小时43分钟 | 大小：2.3 GB

您将学习

• 嵌入式设备核心ML理论
  理解神经网络执行流程的关键阶段
  掌握CNN中卷积、扁平化、激活函数和softmax的作用
  夯实资源受限设备ML操作优化的基础知识

• 模型准备流程
  使用TensorFlow训练模型
  转换为轻量级.tflite模型
  通过ARM Vela编译器优化和编译，生成Ethos-U NPU指令

• 嵌入式设备推理运行
  了解TensorFlow Lite Micro (TFLM)运行时如何用C++执行模型
  掌握ML操作如何调度至CMSIS-NN内核和Ethos-U硬件加速器以实现最高效率
  清晰洞察从模型到芯片的完整推理路径

• 真实硬件实践
  使用Alif E7 ML开发套件将理论付诸实践
  逐步完成开发板设置与启动
  通过Alif E7功能框图理解其支持ML的架构
  克隆、构建并部署关键词检测和图像分类演示项目
  在开发板上运行模型并观察实时输出

课程独特价值

• 弥合机器学习理论与嵌入式部署的鸿沟

• 覆盖从训练到NPU执行的完整工作流，而非孤立片段

• 在真实支持AI加速的ARM平台上演示全流程

• 采用硬件驱动的实践方法，使用Alif E7 ML开发套件，所有项目均可在Windows机器上复现

无论您是希望进军AI领域的嵌入式工程师，还是对硬件加速器部署充满好奇的机器学习从业者，本课程都将赋予您在现代嵌入式系统上高效运行ML模型的知识与实践技能。

立即报名，开启您的ARM Ethos-U嵌入式机器学习之旅！

课程内容
学习嵌入式设备微型机器学习模型的完整工作流程
理解微控制器TensorFlow Lite (TFLM)库如何解析并在嵌入式设备上运行机器学习模型推理
认识标准机器学习模型在嵌入式系统中的局限性，以及为何需要针对资源受限设备采用差异化优化流程
了解ARM如何助力创建专用硬件、架构和编译器以实现嵌入式设备机器学习模型推理
系统学习ARM机器学习硬件加速器系列（Ethos-U）及其在片上系统的集成设计

学习要求
需具备嵌入式系统设备基础认知及其局限性理解
需对ARM架构及系统集成有基本了解