Skip to content

《AI嵌入式系统——算法优化与实现》软件工具、例程及教学辅助材料

Notifications You must be signed in to change notification settings

uingrd/EmbeddedML

Repository files navigation

《AI嵌入式系统——算法优化与实现》软件工具、例程及教学辅助材料

教学PPT和视频:https://pan.baidu.com/s/1M24GEoIjDL5ppyT6hFa3tw?pwd=emvg

ARCTAN

arctan2的几种近似计算方法

CLS_ALL

基于scikit-learn的机器学习算法演示

CSD

基于CSD格式的常数乘法表达式生成

FIR_MCM

基于MCM算法的快速FIR滤波演示

FXP

数据定点化以及基于定点运算的FIR滤波演示

GNB

训练高斯朴素贝叶斯分类器进行分类并自动生成C测试代码的例子

IRIS_DT

演示使用scikit-learn训练决策树分类器,并自动生成C语言代码(数据文件)实现分类器推理运算

LUT_COS

基于查表实现的快速COS算法演示

MAT_MUL

矩阵乘法的快速运算

MAT_MUL_ALPHATENSOR

AlphaTensor矩阵快速乘法的计算表达式提取和打印

MAT_MUL_QUANT

基于仿射映射量化的矩阵乘法演示

MCM

搜寻多个常数乘法的表达式

MNIST_PYTORCH_C

使用pytorch训练手写数字识别神经网络,并自动生成C语言代码(数据文件)实现推理运算

MNIST_PYTORCH_FORCE_ZERO

使用pytorch训练手写数字识别神经网络,通过L1约束使得权重系数稀疏化(取值接近0),并自动生成C语言代码(数据文件)实现神经网络推理运算

MNIST_PYTORCH_QUANT_ROUND

使用pytorch训练手写数字识别神经网络,通过在损失函数中加入量化约束,使得权重系数集中在(等间隔的)量化格点附近

MNIST_PYTORCH_QUANT_GRID

使用pytorch训练手写数字识别神经网络,通过在损失函数中加入量化约束,使得权重落在指定的量化格点附近

MNIST_PYTORCH_QUANT

演示torch训练MNIST模型并用额外的loss量化,通过整数推理和浮点累积

NEON

使用ARM NEON指令优化代码的例子

ONNX_SKLEARN

演示基于scikit-learn训练分类器并导出ONNX模型过程

PERCEP

训练感知器进行分类并自动生成C测试代码的例子

python_numpy_dll

演示用C++实现算法的动态链接库文件,并被python调用

SCM

搜索给定整数常数的合成公式,并生成快速乘法表达式

SIN

sine的几种近似计算方法

SVM_RBF

训练支持向量机进行分类并自动生成C测试代码的例子

TANH

tanh的几种近似计算方法

About

《AI嵌入式系统——算法优化与实现》软件工具、例程及教学辅助材料

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published