Schulungsübersicht

Einführung in TensorFlow Lite

  • Überblick über TensorFlow Lite und seine Architektur
  • Vergleich mit TensorFlow und anderen Edge AI-Frameworks
  • Vorteile und Herausforderungen bei der Verwendung von TensorFlow Lite für Edge AI
  • Fallstudien von TensorFlow Lite in Edge-KI-Anwendungen

Einrichten der TensorFlow-Lite-Umgebung

  • Installation von TensorFlow Lite und seiner Abhängigkeiten
  • Konfigurieren der Entwicklungsumgebung
  • Einführung in die TensorFlow Lite-Tools und -Bibliotheken
  • Praktische Übungen zur Einrichtung der Umgebung

Entwickeln von KI-Modellen mit TensorFlow Lite

  • Entwerfen und Trainieren von KI-Modellen für den Edge-Einsatz
  • Konvertierung von TensorFlow-Modellen in das TensorFlow-Lite-Format
  • Optimieren von Modellen für Leistung und Effizienz
  • Praktische Übungen zur Modellentwicklung und -konvertierung

Einsatz von TensorFlow Lite-Modellen

  • Einsatz von Modellen auf verschiedenen Edge-Geräten (z. B. Smartphones, Mikrocontroller)
  • Ausführen von Schlussfolgerungen auf Endgeräten
  • Behebung von Problemen bei der Bereitstellung
  • Praktische Übungen zum Einsatz von Modellen

Werkzeuge und Techniken zur Modelloptimierung

  • Quantisierung und ihre Vorteile
  • Pruning und Modellkomprimierungstechniken
  • Verwendung der Optimierungswerkzeuge von TensorFlow Lite
  • Praktische Übungen zur Modelloptimierung

Erstellung praktischer Edge AI-Anwendungen

  • Entwicklung von realen Edge AI-Anwendungen mit TensorFlow Lite
  • Integration von TensorFlow Lite-Modellen mit anderen Systemen und Anwendungen
  • Fallstudien über erfolgreiche Edge AI-Projekte
  • Praktisches Projekt zur Erstellung einer praktischen Edge AI-Anwendung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von KI- und maschinellen Lernkonzepten
  • Erfahrung mit TensorFlow
  • Grundlegende Programmierkenntnisse (Python empfohlen)

Zielgruppe

  • Entwickler
  • Datenwissenschaftler
  • KI-Praktiker
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer