OmniXRI TinyML 小學堂 (2025) 第 2 講 單晶片基礎

課程直播日期： 2025/03/19
課程直播連結： https://youtu.be/_kn4C6DIizg
課程簡報名稱： 20250319_TinyML_Course_Ch02_OmniXRI_Jack.pdf

本課程完全免費，請勿移作商業用途！更多課程內容請參考文末教學資源連結。歡迎追蹤、留言、訂閱、點讚、轉發，讓更多需要的朋友也能一起學習。

OmniXRI TinyML 小學堂 (2025) 第 1 講 微型人工智慧簡介

 

本課程完全免費，請勿移作商業用途！更多課程內容請參考文末教學資源連結。歡迎追蹤、留言、訂閱、點讚、轉發，讓更多需要的朋友也能一起學習。

 

直播日期： 2025/03/12 20:00 - 21: 20

課程直播連結： https://youtu.be/3WGp3QFOLMw
課程簡報名稱： 20250312_TInyML_Course_Ch01_OmniXRI_Jack.pdf

OmniXRI TinyML 小學堂 (2025) 【第0講】課程簡介

 

本課程完全免費，請勿移作商業用途！更多課程內容請參考文末教學資源連結。歡迎追蹤、留言、訂閱、點讚、轉發，讓更多需要的朋友也能一起學習。

1.課程緣起

去（2024）年受台大電機李宏毅老師在 Youtube 無私分享課程的感動，於是也在 Youtube 開了16週的免費網課「OmniXRI's Edge AI & TinyML 小學堂」，期間受到大家熱烈迴響。今（2025）年為了更聚焦微型人工智慧(TinyML)，因此重新規畫了「TinyML 小學堂 2025」，預計將重點放在單晶片（微處理器/微控制器, Micro Controll Unit, MCU）的人工智慧應用上。

大家或許會覺得奇怪，當大部份人都在講生成式人工智慧(Generative AI, GenAI)或通用人工智慧（Artificial General Intelligence, AGI）才是未來時，為何要反其道而行推廣微型人工智慧或鑑別式人工智慧(Discriminative AI)呢？因為過去幾年，常有學校老師想推動基礎人工智慧應用實作課程時，卻沒有足夠的經費採購相關設備及開發工具，因此只能教授較基礎概念課程或者只採購幾套設備讓較優秀的學生製作專題參加比賽。

幸運地是，去年已有很多單晶片廠商推出自帶神經網路處理器(Neural Network Processing Unit, NPU)的晶片及開發板，且僅需花費一千台幣左右就能擁有帶有聲音、運動感測器、攝影機模組的開發板，這不僅有利於人工智慧基礎教育的推廣，更能讓傳統雲端型的智慧物聯網(AIoT)能更快轉型為邊緣型應用。

基於這個契機於是起心動念，想藉由這樣的開發板來推出一套完整課程，讓老師和學生們都能輕易上手，學習到完整的開發流程並建立起屬於自己的人工智慧應用，方便日後接觸中小型邊緣人工智慧(Edge AI)能更得心應手。

【TinyML論文導讀】AIfES: A Next-Generation Edge AI Framework

Jack OmniXRI, 2025/02/17 整理製作

本論文導讀是由 NotebookLM 協助翻譯及摘要，再經由人工微調，非授權版本，僅供個人學習使用，請勿移作它用。更完整內容請參考原始論文。

• Cite:
  L. Wulfert et al., "AIfES: A Next-Generation Edge AI Framework," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 6, pp. 4519-4533, June 2024, doi: 10.1109/TPAMI.2024.3355495.
  keywords: {Training;Data models;Artificial intelligence;Support vector machines;Hardware acceleration;Libraries;Performance evaluation;Edge AI Framework;embedded systems;machine learning framework;on-device training;resource-constrained devices;TinyML},
• Github:
  https://github.com/Fraunhofer-IMS/AIfES_for_Arduino
• Document:
  https://fraunhofer-ims.github.io/AIfES_for_Arduino/index.html

• 【TinyML論文導讀】AIfES: A Next-Generation Edge AI Framework
  • 論文重點摘要
  • 原始論文翻譯
    • I. 緒論
    • II. 背景和相關工作
    • III. 設計原則
    • IV. 評估
    • V. 結論及未來方向
    • 參考文獻

論文重點摘要

• AIfES 是一個新一代的邊緣人工智慧 (AI) 框架，旨在將機器學習 (ML) 整合到最小的嵌入式裝置中，為影像或語音處理等實際應用提供本地智慧。
• 傳統的邊緣 AI 框架在目標硬體方面的靈活性較低，且對自訂硬體加速器整合的支援有限，AIfES 旨在克服這些挑戰。
• AIfES 具有模組化結構，遵循 ML 框架的結構，包含四個步驟：(1) 建立模型，(2) 選擇損失，(3) 選擇優化器，(4) 訓練模型。
• AIfES 允許使用者輕鬆轉移經驗，並且其 ailayer 模組提供多種功能類型供選擇。使用者可以為每個功能指定資料類型，從而節省記憶體，或在沒有浮點運算單元 (FPU) 的裝置上實現更快的訓練或推論。
• AIfES 是第一個在 ML 框架中以模組化方式使用硬體加速器的框架。軟體的模組化設計允許新增使用者特定的硬體加速器、功能類型、資料類型或模組，從而根據使用者的需求和偏好自訂框架。
• AIfES 採用 C 語言和最佳化模組，無需作業系統即可實現 ML 模型的裝置上訓練和推論。
• AIfES 支援模組化的硬體加速器新增，以提高推論和裝置上訓練的效能。它還包括用於啟動功能的軟體最佳化模組。
• AIfES 是一個開源邊緣 AI 框架，為資源受限裝置提供推論和裝置上訓練，並且具有硬體不可知和軟體模組化的特性。
• AIfES 允許在執行階段調整或變更網路架構。
• AIfES 支援量化，以適應不同的硬體架構，例如沒有 FPU 的 8 位元 MCU。
• AIfES 的主要限制在於原生矩陣乘法的實作，這導致 ANN 的效能低於 TFLM。未來將透過更先進的矩陣乘法方法和最佳化 ANN 裝置上訓練來增強 AIfES。
• AIfES 採用模組化架構，由 ailayer、ailoss 和 aiopti 模組組成，每個模組都有不同的層級：類型、實作（使用硬體加速器）和資料類型。
• AIfES 旨在簡單直觀，同時高效到足以在最小的 MCU 上執行，並足夠靈活以支援 ML 中的大多數使用案例。
• AIfES 優先考慮資料類型和底層系統特性，這在資源受限裝置上至關重要。
• AIfES 提供所有在裝置上訓練 ANN 所需的元件，例如所有層的反向實作、多個損失函數、優化器和權重初始化函數。
• AIfES 的模組化設計使 C 編譯器可以輕鬆移除未使用的程式碼，從而縮小程式碼大小。
• AIfES 使用記憶體排程器，可在執行網路之前計算所需的記憶體大小，並將記憶體區塊分配給模型，從而避免動態記憶體分配。
• AIfES 包括執行階段最佳化的啟動函數和層，以及基於矩陣乘法的層。
• AIfES 提供兩種反向傳播工作流程，以降低訓練期間的記憶體消耗：傳統方法和輕量隨機梯度下降 (L-SGD) 演算法。
• AIfES 允許對模型進行量化，從而可以調整到不同的硬體架構
  。提供兩種量化（Q7 和 Q31），作為對稱的 8 位元/32 位元整數量化，有助於僅使用整數算術來計算實際值。
• 在 ARM Cortex-M4 的 SoC 上進行的基準測試表明，AIfES 在執行時間和記憶體消耗方面優於 TFLM，尤其是在 FCNN 架構方面。
• AIfES 支援在嵌入式裝置上訓練 ANN 和 CNN。
• AIfES 的主要優勢包括模組化軟體架構、可新增自訂硬體加速器以及在資源受限裝置上進行裝置上訓練的能力。

Arm Cortex-M & Ethos-U55 ML開發者指南

Jack OmniXRI 整理製作, 2025/02/11

完整內容： https://hackmd.io/@OmniXRI-Jack/arm_developer_cortexm55_ethosu55_guide

資料來源： ML Developers Guide for Cortex-M Processors and Ethos-U NPU Version 1.1

本網頁僅供自我學習及快速查找用，請勿移作他用。為方便閱讀，相關章節及圖示編號已作過微調。全文採用AI翻譯並以人工進行調整，非Arm授權翻譯之版本，如有翻譯不當煩請私訊告知。另外本文件原始相關著作權、權利義務及使用限制請以Arm官方英文版本為準。

• Arm Cortex-M & Ethos-U55 ML開發者指南
  • 1.概述
    • 1.1.目標受眾
    • 1.2.邊緣設備上的機器學習
    • 1.3.ML計算要求
    • 1.4.ML開發過程的概述
    • 1.5.用於ML開發的工具和軟體
    • 1.6.針對Ethos-U NPU
  • 2.ARM Cortex-M Provor的ML軟體開發
    • 2.1.ML軟體框架選項
    • 2.2.使用TFLM的範例軟體開發流
    • 2.3.重新訓練ML模型
    • 2.4.更多資訊
  • 3.Arm Ethos-U NPU
    • 3.1.Ethos-U硬體體系結構
    • 3.2.Ethos-U系統整合
    • 3.3.Corstone參考設計
    • 3.4.ML軟體支持Ethos-U
    • 3.5.軟體體系結構方案和用例
    • 3.6.Ethos-U的其他軟體和工具
    • 3.7.將Ethos-U軟體移植到新的硬體平台
    • 3.8.自定義Ethos-U驅動程序和RTOS整合
  • 4.Arm Ethos-U NPU的工具支持
  • 5.Arm ML動物園
    • 5.1.整合Arm ML-Zoo模型
  • 6.ML嵌入式評估套件
    • 6.1.開始使用ML嵌入式評估套件
    • 6.2.超越基本知識
  • 7.基於CMSIS包裝的ML範例
    • 7.1.先決條件
    • 7.2.編譯基於CMSIS的ML範例
    • 7.3.在您自己的項目中使用TFLM CMSIS包裝
  • 8.分析和優化ML模型
    • 8.1.Ethos-U Vela優化
    • 8.2.運算子映射和用法
    • 8.3.MLIA指導優化（實驗）
    • 8.4.Ethos-U性能分析
  • 9.MLOPS系統
    • 9.1.許可證激活
    • 9.2.範例專案
    • 9.3.vcpkg
  • 10.Ethos-U的資源
    • 10.1.產品頁面
    • 10.2.產品文檔
    • 10.3.軟體和範例
    • 10.4.其他資源
    • 10.5.合作夥伴解決方案

從 CES2025 看邊緣智慧如何走進療癒商機

作者：Jack OmniXRI, 2025/1/14

CES 2025[1] 已於上週（1/7 - 1/11）正式落幕，各項創新技術令人眼花瞭亂，台灣亦有許多廠商投入其中，真不愧是電子業年度最大盛事。此次開幕前， NVIDIA 老黃精彩的演講吸引了全世界的目光，除了帶來更多平價、高算力的產品外，並一口氣展示了近二十個合作伙伴生產的「人形機器人」，更預言了「人形機器人」將是未來二十年最重要的產業，同時還有機會帶動數兆美元的經濟活動，想想都令人興奮不已。

不過放完煙火後，冷靜想想，那些人形機器人所需應用到的物理模擬、機電整合、人工智慧等技術，若沒有一個超大團隊、長期耕耘似乎很難在短時間內完成可上市之產品。

於是聰明的廠商不禁想起當年 SONY 為了開發多足機器人失敗後產生的娛樂用電子狗 SONY AIBO（1999）[2]的案例，即然玩不動大型專案，那就把技術用在不用長得像人、沒人會太在意推論能力的「療愈型機器人」市場。而這樣的產品不只可以療愈老人、大人、小孩的心，就連毛小孩也成了重點使用對象。

說起具有與人類互動能力的娛樂型及療癒型機器人，相信大家都不陌生，從各種電影、動漫中都可看到，而現實中也有不少，像是日本石黑浩教授的 Telenoid R1（2010）[3]、華碩的 Zenbo（2016）[4]、「女媧創造」的 Kebbi（2018）[5]等。

Fig. 1 互動式娛樂型/療癒型機器人。(OmniXRI整理製作,2025/01/14)

隨著這2022年底興起的 ChatGPT 自然對話技術及最近一年多模態AI模型的快速發展，讓機器人聽得懂、看得懂已不再是困難的事情，因此賦與機器人更多互動能力，就不是三、五年前那種簡單電腦視覺（Computer Vision）及自然語言處理（NLP）的等級了，因此在去(2024)年 CES 就有推出一些陪伴機器人。[6]

Fig. 2 CES 2024 陪伴機器人相關產品。[6] (OmniXRI整理製作,2024/02/15)

今年 CES 會場上有展出更多療癒型機器人，以下就簡單幫大家整理一下，或許看完這篇文章觸類旁通後， AI 高手們也能自己動手做一台專屬於自己的療癒機器人，用來安慰自己因為寫不出程式被老闆痛罵後受傷的心了。