「慕ke体系」AI人工智能算法工程师

AI人工智能算法工程师

核心代码，注释必读

// download：3w ukoou com

人工智能算法的工作原理是什么

智能家电可以降低能耗，提醒用户注意泄漏或需要维护等故障，或提供更智能、更简单的日常任务管理方式，这类电器势必会在市场上备受青睐。

一些智能设备根据数据或人工输入执行基本命令。使用人工智能算法执行任务的电器可以做出更复杂的决定，并可以通过训练继续提高其能力。例如，通过编程，一台简单的智能家电可以根据一天中的时间或天气预报等信息重复执行操作。但是，人工智能算法会独立地在数据集内查找模式或功能，并使用这些信息支持电器功能。机器学习的方式大致相同，但人工智能可以处理非结构化和结构化数据，而机器学习则依赖于结构化数据进行训练。

AI人工智能算法实战

在代码生成方面，MATLAB Coder支持基于MKL-DNN和ARM Compute Library的神经网络C/C++代码生成，而GPU Coder则支持基于NVIDIA GPU的CUDA代码生成。

接下来，让我们来看看如何在真实场景下测试以上算法。

借助硬件支持包GPU Coder Support Package for NVIDIA GPUs，可以快速将方案2部署在Jetson Nano的开发板中，步骤如下：

1. 连接硬件：

   hwobj = jetson('hostname','username','password');
   

2. 设置代码生成相关参数，例如生成可执行文件，使用cuDNN库等：

3. cfg = coder.gpuConfig('exe');
   cfg.DeepLearningConfig = coder.DeepLearningConfig('cudnn');
   cfg.DeepLearningConfig.DataType = 'fp32';
   
   cfg.Hardware = coder.hardware('NVIDIA Jetson');
   cfg.Hardware.BuildDir = '~/';
   

4. 自动生成代码：

   codegen -config cfg targetFunction -args {ones(240, 320, 3,'uint8'),
   coder.Constant(Weights), coder.Constant(true)} -report
   

   下图为在NVIDIA Jetson Nano开发板上，调用Webcam，对测试样本进行缺陷检测的效果示意，在使用cuDNN库，采用32位浮点计算的情况下，同时处理两个样本帧率大约为4.3 FPS，单样本约为8 FPS。