पहले पेपर के अनुसार , रनिंग कोई समस्या नहीं है। यही उद्देश्य था। केवल अधिकतम वजन पर एक सीमा है:
वर्तमान में इस माइक्रोकंट्रोलर में एम्बेडेड आर्किटेक्चर पर सीमा केवल आवश्यक वजन की संख्या तक सीमित है। तंत्रिका नेटवर्क वर्तमान में 256 वज़न तक सीमित है। हालांकि अधिकांश एम्बेडेड अनुप्रयोगों के लिए इस 256 वजन को सिस्टम को सीमित नहीं करना चाहिए।
प्रशिक्षण के लिए, जहां तक मैं वर्णित कार्यान्वयन को समझता हूं, PIC नियंत्रक एक बाहरी स्रोत से पैरामीटर प्राप्त करता है।
तंत्रिका नेटवर्क आगे की गणना लिखी जाती है ताकि प्रत्येक न्यूरॉन की गणना नेस्टेड लूप की एक श्रृंखला में व्यक्तिगत रूप से की जाए। प्रत्येक लूप के लिए गणना की संख्या और प्रत्येक नोड के लिए मान सभी स्मृति में एक साधारण सरणी में संग्रहीत होते हैं।
[...]
इन सरणियों में वास्तुकला और नेटवर्क का वजन शामिल है। वर्तमान में, प्रदर्शन उद्देश्यों के लिए, इन सरणियों को उस समय चिप में रखा जाता है जिस समय चिप को प्रोग्राम किया जाता है, लेकिन अंतिम संस्करण में यह आवश्यक नहीं होगा। माइक्रोकंट्रोलर को एक सरल बूट लोडर शामिल करने के लिए आसानी से संशोधित किया जा सकता है जो ऑनबोर्ड RS232 सीरियल पोर्ट का उपयोग करता है जो दूरस्थ स्थान से वेट और स्थलाकृति के लिए डेटा प्राप्त करेगा। यह चिप के क्षेत्र में वज़न या पूरे नेटवर्क को संशोधित करने की अनुमति देगा।
मुझे संदेह है कि प्रशिक्षण बाहरी रूप से भी किया जाता है।
पेपर न्यूरल नेटवर्क ट्रेनर्स के लिए भी संदर्भ देता है जो संभवतः PIC की मेमोरी में प्रीप्रोग्राम किए गए मानों को निर्धारित करने के लिए उपयोग किया जाता था।
- विल्मोव्स्की, बीएम; कपास, एन।; हेवलेट, जे।; कयाक, ओ।, "न्यूरल नेटवर्क ट्रेनर विथ सेकंड ऑर्डर लर्निंग एल्गोरिदम,"
- विल्मोव्स्की, बीएम; कपास, एनजे; कयाक, ओ।; डूंडर, जी,
"मनमाने ढंग से जुड़े तंत्रिका नेटवर्क में ढाल वेक्टर और कंप्यूटिंग जैकब की विधि,"
अब, मैंने पहले एक पर ध्यान दिया है जो नेटवर्क आर्किटेक्चर और उनके साथ उपयोग करने के लिए एल्गोरिदम का वर्णन करता है। लेकिन यहां उपयोग किया जाने वाला न्यूरल नेटवर्क ट्रेनर सॉफ्टवेयर MATLAB में लागू किया गया है।
वर्तमान में, बहुत कम तंत्रिका नेटवर्क प्रशिक्षण सॉफ्टवेयर उपलब्ध है जो पूरी तरह से जुड़े नेटवर्क को प्रशिक्षित करेगा। इस प्रकार उस उद्देश्य के लिए MATLAB में एक ग्राफिकल यूजर इंटरफेस के साथ एक पैकेज विकसित किया गया है। यह सॉफ्टवेयर उपयोगकर्ता को बहुत जटिल आर्किटेक्चर के साथ-साथ प्रारंभिक भार, प्रशिक्षण मापदंडों, डेटा सेट और कई अन्य एल्गोरिदम की पसंद को आसानी से दर्ज करने की अनुमति देता है।
मुझे यह उल्लेख करना होगा कि पूरी तरह से जुड़े नेटवर्क में परत वास्तुकला द्वारा एक परत की तुलना में एक ही कार्य के लिए कम वजन संख्या है। यह माइक्रोकंट्रोलर के लिए अधिक उपयुक्त बनाता है।
मैं एक तंत्रिका नेटवर्क विशेषज्ञ नहीं हूं और यह काफी जटिल है इसलिए मैं गलत हो सकता हूं, लेकिन इन पत्रों के आधार पर मैं कहूंगा कि प्रशिक्षण के लिए कॉटन, विल्मोव्स्की और डंडर के दृष्टिकोण को बाहरी, अधिक शक्तिशाली मंच की आवश्यकता है।
एक माइक्रोकंट्रोलर पर एक न्यूरल नेटवर्क चलाने के बारे में, एसटी माइक्रोइलेक्ट्रॉनिक ने सिर्फ एक टूलकिट STM32Cube.AI की घोषणा की : न्यूरल नेटवर्क्स को STM32 के लिए ऑप्टिमाइज्ड कोड में कन्वर्ट करें। लोकप्रिय लाइब्रेरी से प्री-प्रशिक्षित न्यूरल नेटवर्क को उनके STM32 MCU में से अधिकांश में बदलें ।