Aplicaciones de aprendizaje de máquina en procesadores ARM

Se describirá como hacer métodos de aprendizaje de máquina profundo para celulares, Raspberry, BeagleBone y cualquier dispositivo que cuente con un procesador ARM.

Transcript

1. APLICACIONES DE APRENDIZAJE DE MÁQUINA EN PROCESADORES ARM M.Sc. Arley Bejarano Martínez abejarano@utp.edu.co PyPereira
2. APRENDIZAJE DE MÁQUINA • Entrenar una "máquina" con el fin de que reconozca un conjunto de patrones repetitivos que permiten diferenciar entre objetos o clases. • Supervisados (HMM, SVM, ANN, DNN, entre otros). • No supervisados (K-means, Spectral clustering, entre otros).
3. EXTRACCIÓN DE CARACTERÍSTICAS • Color. • Frecuencia. • Histogramas. • Textura. • Amplitud. • Tiempo. • Entre otros.
4. ¿CUÁL ES EL PROCESO?
5. ¿RETOS? • Datos. • Capacidad de procesamiento. • Memoria. • Almacenamiento. • Análisis de datos. • Etiquetado.
6. EJEMPLOS DE DATOS • Imagen digital a color con resolución de 1280x720. • Las imágenes a color se representan por medio de 3 canales, es decir, que se cuenta con 3 arreglos de 1280x720. • 3x1280x720=2 764 800 Bytes =2.764MB • Ahora contamos con una base de datos de 1000 fotos. • 2 764 800 000 bytes = 2.764GB
7. PROCESADORES ARM • Un procesador ARM es un procesador que está basado en la arquitectura RISC(Reduced Instruction Set Computer). • Los procesadores ARM están optimizados para realizar instrucciones mucho más sencillas, a muy bajo nivel. • Los procesadores ARM consumen mucho menos energía, lo que los convierte en los componentes idóneos para los SoC que requieren de un menor consumo.
8. ¿DÓNDE SE ENCUENTRAN?
9. CARACTERÍSTICAS • Bajo consumo energético. • Baja capacidad de almacenamiento. • Fácil implementación. • Conexión con periféricos. • Prototipado rápido. • Memoria RAM limitada.
11. POSIBLES SOLUCIONES • Captura local, procesamiento remoto. • Utilizar servicios en la nube. • Crear un clúster. • Utilizar API.
12. PROBLEMAS • Extracción de características. • Capacidad en RAM. • Exceso de operaciones.
13. LIBSVM • Multilenguaje. • Soporte. • Fácil implementación. • Compatibilidad con Android.
14. • APLICATIVO MÓVIL PARA LA DETERMINACIÓN DE POLARIZADO EN VIDRIOS IMPLEMENTANDO TÉCNICAS DE VISIÓN POR COMPUTADOR.
16. TENSOR FLOW LITE Y KERAS Deploy machine learning models on mobile and IoT devices Es un framework de código abierto para trabajar aprendizaje profundo.
17. ¿CÓMO FUNCIONA? • Base de datos. • Imágenes o audio. • Entrenamiento en PC. • Algoritmo corre sobre dispositivos ARM. • Es necesario realizar la transformación de Tensor Flow a Tensor Flow Lite.
18. PROCESO
19. EJEMPLO • Crear modelo. • Guardarlo. • Cargarlo. • Colocarlo a funcionar.
20. RECOMENDACIONES • Comprender aprendizaje profundo. • Manejo de datos en diferentes dispositivos. • Captura de datos.
21. REFERENCIAS • https://www.csie.ntu.edu.tw/~cjlin/libsvm/ • https://www.tensorflow.org/lite/convert/index • https://keras.io/ • https://beagleboard.org/bone • https://www.raspberrypi.org/