机器学习 (ML) 正成为嵌入式设计人员开发或改进各种产品的标准要求。为满足这一需求,Microchip Technology Inc.(美国微芯科技公司)近日推出了全新的MPLAB® 机器学习开发工具包,提供一套完整的集成工作流程来简化机器学习模型开发。这款软件工具包可用于Microchip的各类单片机 (MCU) 和微处理器 (MPU) 产品组合,助力开发人员快速高效地添加机器学习推理。

Microchip开发系统业务部副总裁Rodger Richey表示:“机器学习是嵌入式控制器的新常态,与依赖云通信进行处理的系统相比,在边缘利用机器学习可使产品更高效、更安全、功耗更低。Microchip独特的集成解决方案专为嵌入式工程师设计,是首款不仅支持32位MCU和MPU,还支持8位和16位器件的解决方案,可实现高效的产品开发。”
机器学习通过使用一套算法,从大型数据集中分析和生成模式,以支持决策。与人工处理相比,机器学习通常更快、更容易更新和更准确。Microchip客户可以利用这套新工具,启用预测性维护解决方案,以准确预测各种工业、制造、消费和汽车应用中所用设备的潜在问题。
MPLAB 机器学习开发工具包可帮助工程师构建高效、小尺寸的机器学习模型。在 AutoML 的支持下,该款工具包消除了许多重复、繁琐和耗时的模型构建任务,包括提取、训练、验证和测试。它还提供了模型优化功能,以满足MCU和MPU的内存限制要求。
当与 MPLAB X 集成开发环境 (IDE)结合使用时,新工具包可提供一个完整的解决方案,几乎没有任何机器学习编程知识的人员也能轻松实施,从而节省了聘请数据科学家的成本。同时,它也具备先进功能,能满足经验丰富的机器学习设计人员的需求。
Microchip还提供从TensorFlow Lite中提取模型并将其用于任何MPLAB Harmony v3项目的选项。MPLAB Harmony v3是完全集成的嵌入式软件开发框架,提供灵活、可互操作的软件模块,以简化增值功能的开发,缩短产品的上市时间。此外,VectorBlox™ Accelerator 软件开发工具包(SDK)利用 PolarFire® FPGA 提供了基于卷积神经网络 (CNN) 的最节能的人工智能/机器学习(AI/ML)推理功能。
MPLAB 机器学习开发工具包提供了必要的工具,旨在设计和优化运行机器学习推理的边缘产品。请访问Microchip 机器学习解决方案页面,了解更多有关利用Microchip直观的机器学习工具简化开发流程、降低成本并加快产品上市时间的信息。
供货与定价
价格因许可情况而异。MPLAB 机器学习开发工具包有免费版本可供评估。如需了解更多信息或购买,请访问Microchip直销网站www.microchipdirect.com或与您当地的Microchip销售代表联系。
资源
可通过Flickr或联系编辑获得高分辨率图片(欢迎自由发布):Flickr link
Microchip Technology Inc. 简介
Microchip Technology Inc.是致力于智能、互联和安全的嵌入式控制解决方案的领先供应商。其易于使用的开发工具和丰富的产品组合让客户能够创建最佳设计,从而在降低风险的同时减少系统总成本,缩短上市时间。Microchip的解决方案为工业、汽车、消费、航天和国防、通信以及计算市场中12万5千家客户提供服务。Microchip总部位于美国亚利桑那州Chandler市,提供出色的技术支持、可靠的产品交付和卓越的质量。详情请访问公司网站www.microchip.com。
好文章,需要你的鼓励
本文揭示了AI时代CIO的七项关键行为特征,基于对多位CIO和AI专家的深度访谈。专家指出,AI精通的CIO需具备实用AI素养、战略视野和变革领导力,能将技术与业务战略对齐,建立强大数据治理基础。文章详细解析了分析型AI、生成式AI和智能体AI三大技术领域,强调数据基础的重要性,并提出CIO应从项目思维转向产品思维,通过跨职能团队实现端到端价值交付。
斯坦福大学等机构联合开发的CIFT系统首次解决了机器人"近视眼"问题,通过精确控制真实数据和合成数据的混合比例,让机器人在陌生环境中的表现提升54%以上。该系统包含多视角视频增强引擎MVAug和数据组合优化策略,能够预测数据失效的"去相干点",确保机器人学习真正重要的任务特征而非环境表象,为实用化通用机器人奠定了重要基础。
尽管苹果在AI竞赛中看似落后,但其私有云计算基础设施展现了技术优势。当行业为追赶大语言模型而降低隐私标准时,苹果坚持原则,开发出保护用户数据隐私的技术方案。谷歌最新宣布的类似实施方案验证了苹果技术路线的正确性,这可能推动其他AI实验室采用相同做法,为用户隐私带来重大胜利。
香港中文大学研究团队开发的Search-R3系统成功解决了大语言模型推理与搜索分离的问题,通过两阶段训练让AI在深度思考过程中直接生成搜索向量。该系统在多个领域测试中显著超越现有方法,特别是启用推理后性能提升明显,为AI系统设计提供了推理与搜索统一的新范式,展现了从专门化向通用化发展的重要方向。