ตามรายงานฉบับแรกการวิ่งไม่ใช่ปัญหา นั่นคือจุดประสงค์ มีข้อ จำกัด เรื่องน้ำหนักสูงสุดเท่านั้น:
ปัจจุบันข้อ จำกัด ของสถาปัตยกรรมที่ฝังอยู่ในไมโครคอนโทรลเลอร์นี้ถูก จำกัด ด้วยจำนวนน้ำหนักที่ต้องการ ขณะนี้เครือข่ายประสาทเทียม จำกัด น้ำหนักได้ 256 อย่างไรก็ตามสำหรับแอพพลิเคชั่นส่วนใหญ่ที่ฝังอยู่ 256 น้ำหนักนี้ไม่ควร จำกัด ระบบ
สำหรับการฝึกอบรมเท่าที่ฉันเข้าใจการใช้งานที่อธิบายไว้คอนโทรลเลอร์ PIC ได้รับพารามิเตอร์จากแหล่งภายนอก
การคำนวณการส่งต่อโครงข่ายประสาทเทียมนั้นเขียนขึ้นเพื่อให้เซลล์ประสาทแต่ละเซลล์คำนวณเป็นรายบุคคลในชุดของลูปซ้อนกัน จำนวนการคำนวณสำหรับแต่ละลูปและค่าสำหรับแต่ละโหนดจะถูกเก็บไว้ในอาร์เรย์อย่างง่าย ๆ ในหน่วยความจำ
[ ... ]
อาร์เรย์เหล่านี้มีสถาปัตยกรรมและน้ำหนักของเครือข่าย ขณะนี้สำหรับวัตถุประสงค์ในการสาธิตอาร์เรย์เหล่านี้ถูกโหลดไว้ล่วงหน้าในเวลาที่ชิปถูกตั้งโปรแกรมไว้ แต่ในรุ่นสุดท้ายจะไม่มีความจำเป็น ไมโครคอนโทรลเลอร์สามารถปรับเปลี่ยนได้อย่างง่ายดายเพื่อให้มีบูตโหลดเดอร์ที่ใช้ประโยชน์จากพอร์ตอนุกรม RS232 แบบออนบอร์ดซึ่งจะได้รับข้อมูลสำหรับน้ำหนักและภูมิประเทศจากระยะไกล สิ่งนี้จะช่วยให้น้ำหนักหรือแม้กระทั่งเครือข่ายทั้งหมดได้รับการแก้ไขในขณะที่ชิปอยู่ในสนาม
ฉันสงสัยว่าการฝึกอบรมจะดำเนินการจากภายนอกเช่นกัน
กระดาษยังให้การอ้างอิงสำหรับ Neural Network Trainers ซึ่งอาจใช้เพื่อกำหนดค่าที่โปรแกรมล่วงหน้าไว้ในหน่วยความจำของ PIC
- Wilamowski, BM; ฝ้าย, น.; Hewlett, J .; Kaynak, O. , "ผู้ฝึกสอนเครือข่ายประสาทที่มีขั้นตอนวิธีการเรียนรู้อันดับสอง"
- Wilamowski, BM; ฝ้าย, นิวเจอร์ซีย์; Kaynak, O .; Dundar, G. ,
"วิธีการคำนวณเวกเตอร์ไล่ระดับสีและเมทริกซ์ Jacobean ในเครือข่ายประสาทที่เชื่อมต่อโดยพลการ"
ตอนนี้ฉันได้ตรวจสอบสิ่งแรกที่อธิบายสถาปัตยกรรมเครือข่ายและอัลกอริทึมที่จะใช้กับพวกเขา แต่ซอฟต์แวร์ Neural Network Trainer ที่ใช้ในที่นี้ถูกนำมาใช้ใน MATLAB
ปัจจุบันมีซอฟต์แวร์การฝึกอบรมเครือข่ายนิวรัลน้อยมากที่จะฝึกอบรมเครือข่ายที่เชื่อมต่ออย่างสมบูรณ์ ดังนั้นแพ็คเกจที่มีส่วนต่อประสานผู้ใช้แบบกราฟิกได้รับการพัฒนาใน MATLAB เพื่อจุดประสงค์นั้น ซอฟต์แวร์นี้ช่วยให้ผู้ใช้ป้อนสถาปัตยกรรมที่ซับซ้อนมากได้อย่างง่ายดายรวมถึงน้ำหนักเริ่มต้นพารามิเตอร์การฝึกอบรมชุดข้อมูลและตัวเลือกของอัลกอริทึมที่ทรงพลังจำนวนมาก
ฉันต้องพูดถึงว่าเครือข่ายที่เชื่อมต่ออย่างสมบูรณ์มีหมายเลขน้ำหนักต่ำกว่าสำหรับงานเดียวกันมากกว่าสถาปัตยกรรมแบบเลเยอร์ ทำให้เหมาะสำหรับไมโครคอนโทรลเลอร์มากกว่า
ฉันไม่ใช่ผู้เชี่ยวชาญเครือข่ายประสาทและมันค่อนข้างซับซ้อนดังนั้นฉันจึงผิด แต่จากเอกสารเหล่านี้ฉันจะบอกว่าวิธีของ Cotton, Wilamowski และDündarต้องการแพลตฟอร์มภายนอกที่มีประสิทธิภาพมากกว่าในการฝึกอบรม
เกี่ยวกับการใช้งานโครงข่ายประสาทเทียมบนไมโครคอนโทรลเลอร์ ST Microelectronics เพิ่งประกาศชุดเครื่องมือSTM32Cube.AI: แปลงเครือข่ายประสาทให้เป็นรหัสที่ปรับให้เหมาะสมสำหรับ STM32เพื่อแปลงเครือข่ายประสาทที่ผ่านการฝึกอบรมจากห้องสมุดยอดนิยมไปเป็น STM32 MCU ส่วนใหญ่