在这个例子中,我们说明了MATLAB和Simulink工作流如何训练机器学习模型,并将金宝app其部署到一个低功耗单片机的边缘。我们演示了如何训练一个浅神经网络回归问题,如何生成可读单精度浮点或定点代码以及如何部署到一个手臂皮层M单片机如Arduino Uno。
我们使用基于测量发动机数据集估计发动机排放水平的燃料消耗和速度。这是一个回归的问题,我们使用一个浅神经网络模型系统。
下载包含示例数据集,训练模型导出为一个MATLAB函数和等效仿真软件模型和详细的文章解释工作流步骤。金宝app它还包含所有必需的脚本来自动化的一些任务。
引用作为
MathWorks定点团队(2023)。部署浅神经网络低功耗胳膊上皮层M(//www.tatmou.com/matlabcentral/fileexchange/67799-deploying-shallow-neural-networks-on-low-power-arm-cortex-m), MATLAB中央文件交换。检索。
MATLAB版本兼容性
创建R2018a
兼容任何释放
平台的兼容性
窗户 macOS Linux标签
NN_ARM_Cortex_M_Fixpt / MATLAB_algorithm
NN_ARM_Cortex_M_Fixpt 金宝app/ Simulink_model
NN_ARM_Cortex_M_Fixpt 金宝app/ Simulink_model
| 版本 | 发表 | 发布说明 | |
|---|---|---|---|
| 1.0.0.1 | 更新固定 |
|
|
| 1.0.0.0 |
|
