AI on Qualcomm Innovators Development Kit的视频教程

chipseeker 2023-12-06 20:09:57

配合QIDK的开源GitHub:GitHub - quic/qidk,推出了25节免费的视频教程,内容列表如下

1)Course Introduction & Overview
2)Chapter 1a - Why On-Device AI Inference?
3)Chapter 1b - Connected Intelligent Edge and Hybrid AI
4)Chapter 1c - Qualcomm AI Engine: Benefits
5)Chapter 1d - Qualcomm Hexagon Processor Advantage
6)Chapter 1e - Qualcomm AI Engine: Hardware & Data Types
7)Chapter 1f - Qualcomm AI Stack
8)Chapter 1g - Qualcomm Neural Processing SDK: Overview & Workflow
9)Chapter 1h - Conversion, Quantization and Execution Examples
10)Chapter 2a - Introduction to QIDK
11)Chapter 2b - QIDK Tools: SNPE Docker and PySNPE
12)Chapter 2c - PySNPE: Model Deployment and Prototyping
13)Chapter 2d - QIDK Model Conversion Guide
14)Chapter 2e - Replacement and User-Defined Operators
15)Chapter 2f - QIDK Model Accuracy - Mixed Precision
16)Chapter 3a - AI Model Efficiency Toolkit (AIMET)
17)Chapter 3b - Quantization
18)Chapter 3c - AIMET Workflow
19)Chapter 3d - AIMET Benefits and Features
20)Chapter 3e - Quantization Techniques: PTQ & QAT
21)Chapter 3f - AIMET Auto-Quant and API Integration
22)Chapter 3g - AIMET Results
23)Chapter 3h - AIMET Model Zoo
24)Chapter 4a - SNPE Docker Walkthrough, Installation and Setup
25)Chapter 4b - Object Detection with YoloNas

教程链接如下 : https://qwa.qualcomm.com/course-catalog/AI-on-QIDK

...全文
1962 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文围绕基于Python和Transformer模型的多变量风电功率预测展开研究,重点针对短期风电功率预测任务。研究采用深度学习中的Transformer架构,引入风速、温度、湿度等多种气象及运行变量作为输入特征,构建高精度预测模型。为进一步提升预测的稳健性与可靠性,研究结合近端梯度算法求解LASSO分位数回归,优化模型在不确定性环境下的输出表现,增强预测结果的置信区间估计能力。该技术是机器学习与新能源领域深度融合的典型应用,旨在提高风电并网的稳定性与电网调度的科学性。; 适合人群:具备Python编程基础,熟悉主流深度学习框架(如PyTorch或TensorFlow)的研究生、科研人员,以及从事新能源发电预测、电力系统调度、智能电网优化等相关工作的技术人员。; 使用场景及目标:①应用于风电场实际运行中的短期功率预测系统,辅助电网进行精准负荷调配与调度决策;②作为科研项目的技术蓝本,用于复现、改进或扩展基于Transformer的时间序列预测模型;③探索LASSO分位数回归与深度学习模型的融合机制,提升预测结果的概率性输出与风险评估能力。; 阅读建议:此资源适用于已掌握机器学习与深度学习基础知识的读者,建议结合所提供的代码实现进行动手实践,重点关注多变量数据的预处理流程、Transformer模型的结构设计与注意力机制实现、超参数调优策略,并尝试在不同风电数据集上验证模型的泛化性能与鲁棒性。
内容概要:本文档《STK入门手册》系统介绍了AGI公司开发的Satellite Tool Kit(STK)软件的基本用法与核心功能,涵盖用户界面操作、地图窗口设置、各类对象(如卫星、航天器、设施、传感器等)的创建与属性定义,以及高级分析模块如高精度轨道预测(HPOP)、长周期轨道内容概要:预测(LOP)、地形本文档为与高分辨率地图《STK入门手册》,介绍了Sat的应用。手册还详细说明了Scellite Tool Kit(STK)软件的基本用enarios的时间设置、单位法与核心功能,配置、数据库管理重点涵盖用户界面操作、地图窗口设置、场景及动画演示等功能,帮助用户进行全面(Scenario)管理的卫星系统仿真、卫星及各类与分析。;对象(如航天器、设施、传感器 适合人群:适用于等)的创建与刚接触STK的新属性配置。手册手用户以及具备详细说明了STK一定经验的卫星系统分析的专业技术特性,包括人员,尤其适合从事高精度轨道预测(HPOP)、长航天、遥感、周期轨道分析(LO通信等领域工程技术人员P)、地形与高分辨率地图模块和研究人员。;、姿态模拟与指向 使用场景及目标:①用于、数据可视化等功能卫星轨道设计、,并提供了对象管理覆盖分析、通、动画设置、单位路计算、传感器配置、数据库调建模等航天用等实用操作任务仿真;指导。附录还包含术语表、文件②支持复杂空间格式说明及高级技术注释。; 适合人群:从事环境下的高精度动力学建模与可视化卫星系统分析、航天分析,提升系统设计与决策效率工程、轨道设计;③辅助等相关领域的科研人员和技术教学培训与工程项目工程师,尤其适合初学者和有一定实践,实现从基础操作到高级经验的STK用户功能的全面掌握。。; 使用; 阅读建议:建议场景及目标:①用于学习和掌握结合STK软件STK软件的基础实际操作同步学习,重点关注操作与高级分析功能;②支持各章节中的属性卫星轨道仿真、覆盖设置与操作流程分析、通路,注意手册中标计算、传感器建注的Notes、模等航天任务的规划与评估;③Hints和Warnings以避免常见错误,辅助教学培训与推荐配合官方教程工程项目中的空间态势与数据库资源深化可视化与数据分析。理解。; 阅读建议:建议结合软件实际操作同步阅读,重点关注各章节中的属性设置、投影类型选择及高级模块说明,注意手册中标注的Notes、Hints和Warnings以避免常见错误。

7,651

社区成员

发帖
与我相关
我的任务
社区描述
本论坛以AI、WoS 、XR、IoT、Auto、生成式AI等核心板块组成,为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页:https://qualcomm.csdn.net/
人工智能物联网机器学习 技术论坛(原bbs) 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧