Derin öğrenmeyi basitleştirmek için MetaTF geliştirme ortamı

Güncelleme: 27 Nisan 2021

Derin öğrenmeyi basitleştirmek için MetaTF geliştirme ortamı

Derin öğrenmeyi basitleştirmek için MetaTF geliştirme ortamı

BrainChip, yüksek performanslı yapay zeka sağlayıcısı teknoloji, evrişimli sinir ağı alanında çalışan kişilerin hızlı ve kolay bir şekilde nöromorfik hesaplamaya geçmesine olanak tanıyan çok yönlü bir makine öğrenimi çerçevesi olan MetaTF'yi tanıttı.

MetaTF geliştirme ortamı, sinir ağlarının oluşturulması, eğitimi ve test edilmesi için kullanımı kolay, eksiksiz bir makine öğrenimi çerçevesidir ve BrainChip'in Akida olay etki alanı sinir işlemcisinde Edge AI için sistemlerin geliştirilmesini destekler.

MetaTF geliştirme ortamı, endüstri standardı sinir ağı geliştirme ve eğitimi için TensorFlow ve Keras'tan yararlanır ve Akida Yürütme Motorunu (çip simülatörü), veri-olay dönüştürücülerini ve önceden eğitilmiş modellerden oluşan bir model hayvanat bahçesini içerir. Çerçeve, Python kodlama dilinden ve Jupyter not defterleri ve NumPy dahil olmak üzere ilgili araç ve kitaplıklardan yararlanır.

Derin öğrenme profesyonellerinin MetaTF'yi hemen kullanmaya başlamak için yeni bir çerçeve öğrenmelerine gerek yoktur. MetaTF kullanıcıları, üç basit adımda CNN'leri tasarlama ve eğitme aşamasından bunları Akida nöral işlemcisine dağıtılmak üzere dönüştürme aşamasına geçerek nöromorfik bilgi işlemden tam anlamıyla faydalanabilir ve Uçtaki yapay zekanın zorluklarının üstesinden gelebilir. BrainChip, karmaşıklığı en aza indirerek ve geliştirmede boşa harcanan zamanı azaltarak, kuruluşların daha fazla yatırım getirisi için kaynakları en üst düzeye çıkarmasına ve proje sürelerini en aza indirmesine olanak tanıyor.

BrainChip'in Baş Geliştirme Sorumlusu Anil Mankar, "Yapay zekanın karmaşık olması gerekmiyor ve insanların, onun faydalarından yararlanmak için nöromorfik hesaplamayı nasıl programlayacaklarını bilmelerine gerek yok" dedi. “Gelecek SNN'de ve biz de oraya ulaşmanın kolay bir yolunu geliştirdik. MetaTF ile, kullanıcıların mevcut yazılım ortamlarında çalışırken hızlı ve kolay bir şekilde ML modellerini eğitmesine, dönüştürmesine ve Akida'ya dağıtmasına olanak tanıyan yapbozun başka bir parçasını tanıtıyoruz."