ฝึกโมเดลและนำไปใช้หลายเป้าหมาย

Training and deploying to several targets · หน้าหลักสูตร

เตรียม dataset ที่สมดุล ฝึกโมเดลของเราเองใน Docker บีบเป็น int8 แล้วพาไฟล์เดียวไปรันบนเว็บ Cortex-A และ MCU ผ่าน Vela พร้อมวัด parity

เป้าหมายของโมดูล

สร้างโมเดลของตัวเองตั้งแต่ข้อมูลจนถึงชิป และวัดให้ได้ว่าแต่ละเป้าหมายแลกอะไรกับอะไร

บทเรียน

บทเรียน	เรื่อง	เวลา (นาที)	สไลด์
5.1	วิศวกรรมชุดข้อมูล: สมดุลคลาส หน้าต่าง และการแบ่ง train/val/test	65	slides.md
5.2	ลงมือทำ: เก็บ dataset ที่สมดุลบนบอร์ดแล้วแบ่งบน PC	75	slides.md
5.3	ฝึกโมเดลใน Docker: หนึ่งชิ้นงาน สี่เป้าหมาย	65	slides.md
5.4	ข้างในการฝึก: Keras, Conv1D, gradient descent, int8 และ confusion matrix	70	slides.md
5.5	ลงมือทำ: เติมสคริปต์ฝึกแล้วรันใน Docker	75	slides.md
5.6	รันโมเดลบนเว็บ: LiteRT.js, int8 I/O และ parity	70	slides.md
5.7	ลงมือทำ: verdict บนเว็บให้ตรงกับ PC และเรื่องราว Cortex-A	75	slides.md
5.8	quantize และ Vela: เอาโมเดลของเราขึ้น Ethos-U55	70	slides.md
5.9	ลงมือทำ: เทียบสามเป้าหมาย MCU, Web และ PC	75	slides.md

บทเรียนมาเป็นชุด บทเรียนแนวคิดตามด้วยบทเรียน ลงมือทำ ที่มีไฟล์ฝึก เฉลย และแล็บ

เช็กพอยต์ของโมดูล

ผ่านโมดูลนี้เมื่อทำได้ครบทุกข้อ (รายละเอียดอยู่ในหัวข้อ แล็บ ของบทเรียนลงมือทำ):

• dataset จากบอร์ดที่สะอาด สมดุล และแบ่งแล้ว ทุกกอง (train/val/test) มีครบสามคลาสในสัดส่วนใกล้เคียงกัน (บทเรียน 5.2)
• ฝึกโมเดล Keras ใน Docker สำเร็จ ได้รายงาน float32 accuracy, int8 accuracy และ confusion matrix บนชุดทดสอบที่โมเดลไม่เคยเห็น พร้อมไฟล์ model_int8.tflite และ .norm.npz (บทเรียน 5.5)
• verdict ของไฟล์ web ตรงกับฝั่ง PC ภายในเกณฑ์ (max|score_pc − score_web| ≤ TOL และคลาสที่ชนะตรงกัน) พร้อมอธิบายได้ว่าทำไมไม่จำเป็นต้องเท่ากันทุกบิต (บทเรียน 5.7)
• ตารางเทียบสามเป้าหมาย (MCU, Web, PC) ด้วยตัวเลขจริง อธิบายได้ว่าทำไม accuracy ตรงกันแต่ latency ต่างกัน และทำไม MCU ต้องผ่าน Vela (บทเรียน 5.9)