Razvijte aplikacije sa lakoćom

Axiomtek ima prednost u aplikacijama gdje je broj istovremenih računarskih operacija prevelik, a istovremeno su previše monotoni za centralnu procesorsku jedinicu (CPU).

Potreba za paralelnim računarstvom prisutna je u sistemima vještačke inteligencije (AI), posebno u mašinskom deep learning-u. Posljednje oblasti vještačke inteligencije bave se neuronskim mrežama. Više o neuronskim mrežama možete pročitati na dnu stranice.

Koristite snažan ugrađeni sistem

Kompaktan i robustan dizajn eBOX560-900, usklađen sa zaštitom IP40, radi u proširenom temperaturnom opsegu od -10 °C do 50 °C i otporan je na vibracije do 3G, i usklađen je sa CE i FCC certifikatom klase A. Montaža na DIN šinu ili na zid.

Računar ima USB, dva Ethernet i HDMI izlaz koji podržava 4K rezoluciju. Ima mjesta za PCIE Mini karticu za proširenje, za WLAN i Bluetooth ili 3G/4G/LTE/GPRS modul, koji obezbjeđuje bežično povezivanje putem opcije povezivanja četiri eksterne antene.

Iskoristite nevjerovatne razvojne alate

Što se softvera tiče, računar podržava operativni sistem Linux 16.04. Programerima je dostupan paket za razvoj Jetson (JetPack) koji sadrži sve neophodne alate za razvoj aplikacija. JetPack uključuje alate za machine learning, machine vision, GPU proračune i multimediju.

JetPack alati:

• Deep Learning: TensorRT, cuDNN, NVIDIA DIGITS™ tok rada
• Kompjuterski vid: NVIDIA VisionWorks, OpenCV
• GPU Compute: NVIDIA CUDA, CUDA biblioteke
• Multimedija: ISP podrška, slika kamere, video CODEC

Uobičajeno je da ljudi nauče kako mašine rade i kako njima upravljati. Ako komadi sa proizvodne linije ne zadovoljavaju standard kvaliteta, operater koriguje parametre mašine i alata prema iskustvu. Ili ako karoserija automobila nije dobro ofarbana, potreban je dodatni ljudski rad, koji opet, prema iskustvu, ispravlja neispravan rad robota.

Sa industrijom 4.0, gdje su procesi digitalizovani, AI upravlja mašinama. Kao što koncept machine learning sugeriše, same mašine razumiju procese i prilagođavaju svoje parametre u skladu sa okruženjem.

Pogledajte prednosti

Implementirajte neuronske mreže

Neuronska mreža je računarski model za paralelnu obradu informacija, gdje su osnovni gradivni blokovi mreže vještački neuroni ili funkcije norme. Mreže imaju više ulaza i jedan ili više izlaza. Ulazi su različito izmjereni i povezani su sa izlazom preko jednog ili više nivoa – jedan nivo je prikazan na skici.

Matematički model neurona sabira signale (w n) različito ponderisanih ulaza (x n). Ako zbir pređe određeni prag, neuron šalje signal u skladu sa funkcijom aktivacije. Ako je mreža na više nivoa, a obično jeste, prenijeti signal prima drugi neuron u sljedećem sloju, koji ga također obrađuje.

Upoznajte elemente neuronske mreže

• Sinaptičke težine: Wn vrijednosti su težine povezane sa jednim neuronom koji određuje snagu ulaznog vektora Xn,
• Neuronski prag je vrijednost na kojoj se izlaz aktivira,
• Aktivacija ili prenosna funkcija, koja može biti različitih oblika funkcija (sigmoidna na slici), vrši matematičku operaciju na izlaznom signalu,
• Izlaz mreže je izmjereni zbir ulaza.

Naučite mrežu kako da reaguje na obrazac

Težine neurona i prag na kome neuron emituje signal se formiraju učenjem. U režimu učenja, stoga, učimo mrežu kako da reaguje na određeni obrazac unosa. Koristimo veliku bazu podataka inputa za učenje i određujemo željeni rezultat. Da bi dobila željeni rezultat, mreža za učenje traži optimalne vrijednosti težine i pragove.

Operacije sa neuronskim mrežama se izvode paralelno, pošto svaki neuron funkcioniše relativno nezavisno od drugih, tako da su neuronske mreže u stanju da se prilagode složenom okruženju, sa mnogo ulaznih parametara, u realnom vremenu i sa minimalnim kašnjenjima.