Vgrajeni sistem Axiomtek za izvajanje nevronskih mrež

Grafične procesne enote  imajo primat v aplikacijah, kjer je število hkratnih računskih operacij preveliko in so te premonotone za centralno procesno enoto (CPU). Poleg računalniških igric, renderiranja in rudarskih operacij, je potreba po paralelnem izračunavanju prisotna vsepovsod.

Potreba po zmogljivem procesiranju narašča tdui v sistemih umetne inteligence (AI), predvsem v strojnem ter globokem učenju (Machine and Deep Learning). Slednja področja umetne inteligence obravnavajo nevronske mreže. Več o nevronskih mrežah si lahko preberete na koncu strani.

Prilagojen za potrebe umetne inteligence

Kompakten in robusten dizajn vgrajenega sistema eBox560-900 podjetja Axiomtek ustreza zaščiti IP40, deluje v razširjenem temperaturnem območju od -10 °C do 50 °C in je odporen proti vibracijam do 3G, ter skladen s certifikatom CE in FCC Class A. Različne možnosti montaže omogočajo vgradnjo računalnika na DIN letev ali stensko montažo.

Računalnik ima USB, dva Ethernet ter HDMI izhod, ki podpira 4 K resolucijo. Prostor je za razširitveno kartico PCIE Mini, za WLAN in Bluetooth ali 3G/4G/LTE/GPRS modul, ki preko možnosti priklopa štirih zunanjih anten zagotavlja brezžično povezljivost.

Izkoristite neverjetna razvojna orodja

Računalnik je podprt z operacijskim sistemom Linux 16.04. Razvijalcem je na voljo SDK Jetson Development Pack (JetPack), ki vsebuje vsa potrebna orodja za razvoj aplikacij. JetPack vsebuje orodja za strojno učenje, računalniški vid, GPU izračune ter multimedijo.

JetPack orodja:

• Deep Learning: TensorRT, cuDNN, NVIDIA DIGITS™ Workflow
• Computer Vision: NVIDIA VisionWorks, OpenCV
• GPU Compute: NVIDIA CUDA, CUDA Libraries
• Multimedia: ISP Support, Camera imaging, Video CODEC

Običajno je, da se ljudje naučimo kako stroji delujejo in kako jih upravljamo. Če kosi iz linije ne zadostijo standardu kvalitete, operater glede na izkušnje popravi parametre stroja in orodje. Ali v kolikor karoserijski del ni dobro polakiran, se zahteva dodatno človeško delo, ki ponovno glede na izkušnje popravi pomanjkljivo delo robota.

Z industrijo 4.0, kjer so procesi digitalizirani, pa v čevlje upravljanja strojev stopa AI. Kot pove pojem strojno učenje, stroji sami razumevajo procese ter prilagajo svoje parametre glede na okolico.

Spoznajte prednosti vgrajenega sistema

Vpeljite nevronske mreže

Nevronska mreža je računski model za paralelno obdelavo informacij, kjer so osnovni gradniki mreže umetni nevroni oz. pragovne funkcije. Mreže imajo več vhodov in enega ali več izhodov. Vhodi so različno uteženi in so povezani z izhodom preko enega ali več nivojev – na skici je prikazan en nivo.

Matematični model nevrona sešteje signale (wn) različno uteženih vhodov (xn). V kolikor vsota preseže določen prag (θ), nevron glede na aktivacijsko funkcijo odda signal. Če je mreža večnivojska, in ponavadi je, oddan signal prejme drug nevron v naslednji plasti, ki ga takisto obdela.

Spoznajte elemente nevronske mreže

• Sinaptične uteži: vrednosti Wn so uteži, povezane s posameznim nevronom, ki določi moč vhodnega vektorja Xn,
• Prag nevrona je vrednost, pri kateri se aktivira izhod,
• Aktivacijska oz. prenosna funkcija, ki je lahko različnih oblik funkcij (na sliki sigmoidna), izvaja matematično operacijo na izhodnem signalu,
• Izhod mreže je utežena vsota vhodov.

Naučite omrežje, kako se odzvati na vzorec

Uteži nevronov ter prag, pri katerem nevron odda signal, se oblikujejo z učenjem. V učnem načinu torej mrežo naučimo, kako naj reagira na določen vzorec vhodov. Za učenje uporabimo veliko bazo vhodnih podatkov ter določimo željeni izhod. Da dobimo željen rezultat, mreža z učenjem išče optimalne vrednosti uteži ter pragove.

Operacije z nevronskimi mrežami se izvajajo paralelno, saj vsak nevron deluje relativno neodvisno od ostalih, zato so se nevronske mreže zmožne prilagajati zapletenemu okolju, z veliko vhodnimi parametri, v realnem času in z minimalnimi zakasnitvami.