一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

CMSIS 5.8.0優(yōu)化機器學(xué)習(xí)應(yīng)用的神經(jīng)網(wǎng)絡(luò)和信號處理

星星科技指導(dǎo)員 ? 來源:嵌入式計算設(shè)計 ? 作者:Saumitra Jagdale ? 2022-08-16 09:45 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

CMSIS 通過集成各種包和模塊,從軟件角度增強了嵌入式項目。它帶有一系列工具、API 和框架,可幫助嵌入式開發(fā)人員實現(xiàn)流暢的應(yīng)用程序構(gòu)建。此外,從開發(fā)的角度來看,實時操作系統(tǒng)和中間件組件提供了多種選擇。

CMSIS-Pack 的組織結(jié)構(gòu)使其適用于劃分和克服應(yīng)用程序的復(fù)雜要求。隨著 5.8.0 版本的發(fā)布,CMSIS-NN 和 CMSIS-DSP 已從復(fù)合 CMSIS 核心中分離出來,后者是 CMSIS 包的主要組件之一。這種自由裁量權(quán)允許集中開發(fā)機器學(xué)習(xí)信號處理功能,并且包的相應(yīng)發(fā)布周期獨立于主要的 CMSIS 核心版本。

CMSIS-DSP 包有一些小的變化,一些 GCC 問題已通過將 DSP 包離散更新到 1.9.0 版本而得到修復(fù)。更新后的軟件包增強了對 f16 數(shù)據(jù)類型的支持,以便對接收到的數(shù)據(jù)進行有效的信號處理。此外,還從存儲庫中刪除了一些預(yù)構(gòu)建的庫,以獲得更清晰的包源。

TensorFlow Lite 框架將接口機器學(xué)習(xí)本質(zhì)添加到硬件應(yīng)用程序中。更新后的 CMSIS-NN 包在 TensorFlow Lite 微控制器框架支持的功能接口上發(fā)生了一些重大變化。另外,這個版本通過 M-Profile Vector Extension 的處理相對更好,這是由于最大池算子的實現(xiàn)。運算符在非重疊區(qū)域上工作以減小向量或矩陣的大小。這導(dǎo)致機器學(xué)習(xí)用例的優(yōu)化處理。

ARM 嵌入式工具高級總監(jiān) Reinhard Keil 表示:“最新的 CMSIS 版本 5.8.0 對在 Cortex-M55 處理器中實現(xiàn)的 Helium 矢量擴展支持具有額外的性能改進。這包括優(yōu)化 CMSIS-DSP 算法集合和用于機器學(xué)習(xí)應(yīng)用的高效神經(jīng)網(wǎng)絡(luò)內(nèi)核 CMSIS 集合。”

CMSIS 核心的啟動代碼

C 啟動代碼最初是在 CMSIS 5.6.0 中引入的,它增加了代碼的可移植性和復(fù)雜構(gòu)建的開發(fā)簡易性。CMSIS 核心中的設(shè)備啟動代碼現(xiàn)在可以直接用 C 語言編寫,這使其獨立于編譯器工具鏈。此外,CMSIS 5.8.0 的發(fā)布使 C 啟動成為設(shè)備的默認啟動。

進一步討論,GCC Linker Description 和 GCC Assembler startup 的更新很少。到目前為止,匯編代碼使用字節(jié)計數(shù)來進行 BSS(由符號開始的塊)和零部分的初始化的復(fù)制/零表。另一方面,C 啟動代碼使用字數(shù)而不是字節(jié)數(shù)。在 CMSIS 5.8.0 中,兩個啟動代碼變體都使用相同的復(fù)制/零表布局。因此,它提供了從匯編代碼到 C 啟動代碼來回切換的靈活性。

Armv8-M Assembler 啟動已更新為使用 CMSIS 5.8.0 版本的 GAS 語法。最新的 ARM 編譯器 6 支持傳統(tǒng)的 Arm Assembler(armasm),使軟件向后兼容所有設(shè)備。Arm Compiler 6 以 LLVM/Clang 為基礎(chǔ),因此較新處理器的匯編代碼需要采用 GAS 語法。

CMSIS 是一個開源項目

CMSIS 是 GitHub 上的一個開源項目。由于先前版本的實現(xiàn)在某些小點上使接口失敗,因此很少出現(xiàn)問題。這些問題中的大多數(shù)將在下一個版本中得到解決,但可以通過在本地技術(shù)堆棧中進行一些更改來解決它們。您可以通過訪問CMSIS 5.8.0 版本的 GitHub 查看這些問題和修復(fù)。

該存儲庫是開源的,因此它有助于解決用戶和合作伙伴報告的潛在安全漏洞問題。它允許每個用戶訪問詳細的修訂歷史、提交細節(jié)和已知問題,這些問題可能會影響一些依賴先前實現(xiàn)的副作用的用戶。

CMSIS 中屬于軟件打包和構(gòu)建過程的其他組成部分正在轉(zhuǎn)向 Open-CMSIS-Pack 項目,該項目可以增加開發(fā)和應(yīng)用方面的更多可能性。因此,這是一個由 Arm 和 NXP、STMicroelectronics 和 Linaro 等行業(yè)合作伙伴推動的開放式治理項目。

審核編輯:郭婷

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    如何優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

    優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率是提高模型訓(xùn)練效率和性能的關(guān)鍵步驟。以下是一些優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的方
    的頭像 發(fā)表于 02-12 15:51 ?903次閱讀

    BP神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的關(guān)系

    ),是一種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法進行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)由輸入層、一個或多個隱藏層和輸出層組成,通過逐層遞減的方式調(diào)整網(wǎng)絡(luò)權(quán)重,目的是最小化網(wǎng)絡(luò)的輸出誤差。 二、深度
    的頭像 發(fā)表于 02-12 15:15 ?825次閱讀

    人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法

    在上一篇文章中,我們介紹了傳統(tǒng)機器學(xué)習(xí)的基礎(chǔ)知識和多種算法。在本文中,我們會介紹人工神經(jīng)網(wǎng)絡(luò)的原理和多種神經(jīng)網(wǎng)絡(luò)架構(gòu)方法,供各位老師選擇。 01 人工
    的頭像 發(fā)表于 01-09 10:24 ?1162次閱讀
    人工<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的原理和多種<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>架構(gòu)方法

    卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    在深度學(xué)習(xí)領(lǐng)域,神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于各種任務(wù),如圖像識別、自然語言處理和游戲智能等。其中,卷積神經(jīng)網(wǎng)絡(luò)(CNNs)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)是兩種常
    的頭像 發(fā)表于 11-15 14:53 ?1813次閱讀

    LSTM神經(jīng)網(wǎng)絡(luò)與其他機器學(xué)習(xí)算法的比較

    隨著人工智能技術(shù)的飛速發(fā)展,機器學(xué)習(xí)算法在各個領(lǐng)域中扮演著越來越重要的角色。長短期記憶網(wǎng)絡(luò)(LSTM)作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),因其在
    的頭像 發(fā)表于 11-13 10:17 ?2101次閱讀

    Moku人工神經(jīng)網(wǎng)絡(luò)101

    Moku3.3版更新在Moku:Pro平臺新增了全新的儀器功能【神經(jīng)網(wǎng)絡(luò)】,使用戶能夠在Moku設(shè)備上部署實時機器學(xué)習(xí)算法,進行快速、靈活的信號分析、去噪、傳感器調(diào)節(jié)校準、閉環(huán)反饋等應(yīng)
    的頭像 發(fā)表于 11-01 08:06 ?640次閱讀
    Moku人工<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>101

    如何構(gòu)建多層神經(jīng)網(wǎng)絡(luò)

    構(gòu)建多層神經(jīng)網(wǎng)絡(luò)(MLP, Multi-Layer Perceptron)模型是一個在機器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域廣泛使用的技術(shù),尤其在處理分類和
    的頭像 發(fā)表于 07-19 17:19 ?1531次閱讀

    神經(jīng)網(wǎng)絡(luò)優(yōu)化器有哪些

    神經(jīng)網(wǎng)絡(luò)優(yōu)化器是深度學(xué)習(xí)中用于調(diào)整網(wǎng)絡(luò)參數(shù)以最小化損失函數(shù)的重要工具。這些優(yōu)化器通過不同的策略來更新網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-11 16:33 ?1096次閱讀

    神經(jīng)網(wǎng)絡(luò)辨識模型具有什么特點

    ,可以對未知數(shù)據(jù)進行預(yù)測,具有很好的泛化能力。 自學(xué)習(xí)能力 :神經(jīng)網(wǎng)絡(luò)通過反向傳播算法等優(yōu)化算法,可以自動調(diào)整網(wǎng)絡(luò)參數(shù),實現(xiàn)自學(xué)習(xí)。 并行
    的頭像 發(fā)表于 07-11 11:12 ?859次閱讀

    怎么對神經(jīng)網(wǎng)絡(luò)重新訓(xùn)練

    重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)是一個復(fù)雜的過程,涉及到多個步驟和考慮因素。 引言 神經(jīng)網(wǎng)絡(luò)是一種強大的機器學(xué)習(xí)模型,廣泛應(yīng)用于圖像識別、自然語言處理、語音
    的頭像 發(fā)表于 07-11 10:25 ?843次閱讀

    BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機制

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network),即反向傳播神經(jīng)網(wǎng)絡(luò),是一種基于梯度下降算法的多層前饋神經(jīng)網(wǎng)絡(luò),其學(xué)習(xí)機制的核心在于通過反向傳播算法
    的頭像 發(fā)表于 07-10 15:49 ?1207次閱讀

    BP神經(jīng)網(wǎng)絡(luò)在語言特征信號分類中的應(yīng)用

    Network),即反向傳播神經(jīng)網(wǎng)絡(luò),作為一種強大的多層前饋神經(jīng)網(wǎng)絡(luò),憑借其優(yōu)異的非線性映射能力和高效的學(xué)習(xí)機制,在語言特征信號分類中展現(xiàn)出了巨大的潛力。本文將從BP
    的頭像 發(fā)表于 07-10 15:44 ?771次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種在人工智能和機器學(xué)習(xí)
    的頭像 發(fā)表于 07-10 15:24 ?2431次閱讀

    基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)方式

    BP(Back-propagation,反向傳播)神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),通過反向傳播算法訓(xùn)練,以最小化預(yù)測值與實際值之間的誤差。BP神經(jīng)網(wǎng)絡(luò)因其廣泛的應(yīng)用和靈活性,在機器
    的頭像 發(fā)表于 07-10 15:14 ?1268次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)在視頻處理中的應(yīng)用

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)作為深度學(xué)習(xí)的代表算法之一,在計算機視覺領(lǐng)域取得了顯著成就,特別是在視頻處理方面。本文將深入探討卷積神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-09 15:53 ?1203次閱讀