حوزه هوش مصنوعی در دهه گذشته دستخوش تحول قابل توجهی شده است و از رویکردهای سنتی یادگیری ماشین به تکنیکهای پیچیدهتر یادگیری عمیق روی آورده است. این تکامل، پیشرفتهای خارقالعادهای را در صنایع مختلف، از جمله مراقبتهای بهداشتی، مالی، حمل و نقل، تولید، رباتیک و فناوری مصرفکننده به ارمغان آورده است. به همین دلیل، نیاز فزایندهای به گنجاندن فناوری یادگیری عمیق در پروژههای تحقیقاتی مختلف و برنامههای درسی دانشگاهی وجود دارد. با توجه به اینکه دستگاههای تعبیهشده قابل تنظیم برای استقرار مدلهای هوش مصنوعی، مقرونبهصرفهتر و قابل حملتر میشوند، تقاضای فزایندهای برای کاوش در این فناوری نیز در همه گروههای سنی، از کودکان تا سالمندان، در حال گسترش است. این کتاب با هدف پاسخگویی به این تقاضا و به عنوان یک راهنمای جامع عملی برای درک ادغام یادگیری عمیق با سیستمهای تعبیهشده مدرن، مانند جتسون نانو و رزبری پای، ارائه شده است. همچنین بر اجزای کلیدی مدلهای یادگیری عمیق به زبان ساده و بدون پرداختن عمیق به نظریههای آماری یا ریاضی پشت آنها تمرکز دارد.
برای دنبال کردن مثالها، درک اولیه از برنامهنویسی پایتون ضروری است، زیرا تمام برنامههای این کتاب با پایتون نوشته شدهاند. این کتاب مفاهیم کلیدی یادگیری عمیق و معماریهای آن را در فصلهای 2 و 3 معرفی میکند. فصل 4 شامل پیکربندی رایانه ویندوزی مورد استفاده برای راهاندازی PyTorch و بستههای مرتبط با آن است. این فصل همچنین عملیات اولیه تنسور با استفاده از PyTorch را توضیح میدهد. فصلهای 5 و 13 به ترتیب شامل پیکربندیهای Jetson Nano و Raspberry Pi 5 به همراه فهرستی از لوازم جانبی مورد استفاده برای استقرار مدلهای یادگیری عمیق هستند. از آنجایی که عملکرد Jetson Nano و Raspberry Pi 5 شامل استفاده از ترمینالهای لینوکس است، فصل 6 دستورات اولیه ترمینال لینوکس را با تمرکز بر مدیریت فایل و مجوزها پوشش میدهد. این فصل برای خوانندگانی که با سیستم عامل لینوکس نا آشنا هستند مفید خواهد بود. فصل 7 اصول اولیه راهاندازی موتورهای داکر و ساخت تصاویر داکر را ارائه میدهد و نحوه انجام استنتاج مدل را در کانتینر داکر جتسون نشان میدهد. فصل 8 نحوه ایجاد یک مجموعه داده یادگیری عمیق برای طبقهبندی تصویر و تشخیص اشیا با استفاده از جعبههای محصورکننده را توضیح میدهد. مجموعه داده توسعهیافته در این فصل برای آموزش مدل در فصلهای 9 و 10 مورد استفاده قرار میگیرد. فصل 9 فرآیند آموزش یک مدل طبقهبندی را شرح میدهد، در حالی که فصل 10 رویکرد آموزش یک مدل تشخیص شیء با طبقهبندی تصویر را نشان میدهد.
یک چالش رایج در استقرار مدلهای یادگیری عمیق در سیستمهای تعبیهشده، فرآیند راهاندازی است، بهویژه هنگام مدیریت مدلهای حافظهمحور. این دستگاهها اغلب فاقد ظرفیت حافظه مورد نیاز برای آموزش مدلهای بزرگ یادگیری عمیق هستند. برای پرداختن به این موضوع، در فصلهای ۱۲ و ۱۵، کتاب روشی را معرفی میکند که در آن مدلهای آموزشدیده روی یک کامپیوتر رومیزی میتوانند برای استنتاج به Jetson Nano و Raspberry Pi منتقل شوند. این تکنیک میتواند برای دانشجویانی که روی پروژههای علمی و مهندسی که شامل استقرار مدلهای هوش مصنوعی در دستگاههای تعبیهشده هستند، کار میکنند، بسیار مفید باشد.
اگرچه اطلاعات فراوانی به صورت آنلاین در دسترس است، اما ادغام مدلهای یادگیری عمیق در پروژههای طراحی یا تحقیقاتی همچنان یک کار چالشبرانگیز است. هدف این کتاب ارائه یک راهنمای عملی برای یادگیری یادگیری عمیق کاربردی در سیستمهای تعبیهشده با استفاده از پایتون است. ما خوانندگان را تشویق میکنیم که قبل از انجام تمرینها، مراحل برنامهنویسی را برای بازتولید نتایج نشان داده شده در کتاب دنبال کنند. رویکرد عملی ارائه شده در اینجا باید درک جامعی از گردش کار، همراه با مفاهیم و تکنیکهای مرتبط، ارائه دهد.
نام کتاب: Deep Learning on Embedded Systems A Hands-On Approach Using Jetson Nano and Raspberry Pi
دیدگاهتان را بنویسید