<a href="https://scan.coverity.com/projects/nnstreamer-nntrainer">
<img alt="Coverity Scan构建状态"
src="https://scan.coverity.com/projects/22512/badge.svg"/>
</a>
NNtrainer是一个用于在设备上训练神经网络模型的软件框架。
NNtrainer是一个开源项目。NNtrainer的目标是开发一个软件框架,用于在具有相对有限资源的嵌入式设备上训练神经网络模型。与从头开始训练整个网络层不同,NNtrainer通过用户数据在设备上微调神经网络模型来实现个性化。
即使NNtrainer在设备上运行,它也提供了培训模型的全部功能,并有效利用有限的设备资源。NNTrainer能够训练各种机器学习算法,如k-最近邻(k-NN)、神经网络、逻辑回归、强化学习算法、循环网络等。我们还提供了各种任务的示例,如少样本学习、ResNet、VGG、产品评级等,并在三星Galaxy智能手机的Android和PC(Ubuntu 18.04/20.04)上进行了测试。
AI新前沿:设备上AI训 练和个性化 , ICSE-SEIP, 2024 <br /> NNTrainer:轻量级的设备端训练框架 , arXiv, 2022 <br /> 开源的设备端AI软件平台 , Samsung开发者大会2023 (韩语) <br /> NNTrainer:在设备上个性化神经网络! , Samsung开发者大会2021 <br /> NNTrainer:"设备上学习" , Samsung AI论坛2021
Tizen | Ubuntu | Android/NDK构建 | |
---|---|---|---|
6.0M2及更高版本 | 18.04 | 9/P | |
arm | 可用 | 就绪 | |
arm64 | 可用 | ||
x64 | 就绪 | ||
x86 | 不可用 | 不可用 | |
发布 | Tizen Repo | PPA | |
API | C (官方) | C/C++ | C/C++ |
NNTrainer安装说 明。
创建自己模型的介绍。
准备NNTrainer执行的说明。
各种网络的NNTrainer示例。
这个组件定义了神经网络模型中的层。每个层都有自己的属性。
关键词 | 层类名 | 描述 |
---|---|---|
conv1d | Conv1DLayer | 1维卷积层 |
conv2d | Conv2DLayer | 2维卷积层 |
pooling2d | Pooling2DLayer | 2维池化层。支持平均/最大/全局平均/全局最大池化 |
flatten | FlattenLayer | 扁平化层 |
fully_connected | FullyConnectedLayer | 全连接层 |
input | InputLayer | 输入层。并非总是必需。 |
batch_normalization | BatchNormalizationLayer | 批量归一化层 |
layer_normalization | LayerNormalizationLayer | 层归一化层 |
activation | ActivationLayer | 由层属性设置 |
addition | AdditionLayer | 添加输入层 |
attention | AttentionLayer | 注意力层 |
centroid_knn | CentroidKNN | 质心k-最近邻层 |
concat | ConcatLayer | 连接输入层 |
multiout | MultiOutLayer | 多输出层 |
backbone_nnstreamer | NNStreamerLayer | 封装NNStreamer层 |
backbone_tflite | TfLiteLayer | 封装tflite作为一个层 |
permute | PermuteLayer | 排列层,用于转置 |
preprocess_flip | PreprocessFlipLayer | 预处理随机翻转层 |
preprocess_l2norm | PreprocessL2NormLayer | 预处理简单l2范数层以进行归一化 |
preprocess_translate | PreprocessTranslateLayer | 预处理平移层 |
reshape | ReshapeLayer | 重塑张量维度层 |
split | SplitLayer | 分割层 |
dropout | DropOutLayer | 丢弃层 |
embedding | EmbeddingLayer | 嵌入层 |
positional_encoding | PositionalEncodingLayer | 位置编码层 |
rnn | RNNLayer | 循环层 |
rnncell | RNNCellLayer | 循环单元层 |
gru | GRULayer | 门控循环单元层 |
grucell | GRUCellLayer | 门控循环单元单元层 |
lstm | LSTMLayer | 长短期记忆层 |
lstmcell | LSTMCellLayer | 长短期记忆单元层 |
zoneoutlstmcell | ZoneoutLSTMCellLayer | Zoneout长短期记忆单元层 |
time_dist | TimeDistLayer | 时间分布层 |
multi_head_attention | MultiHeadAttentionLayer | 多头注意力层 |
NNTrainer提供
关键词 | 优化器名称 | 描述 |
---|---|---|
sgd | 随机梯度下降 | - |
adam | 自适应矩估计 | - |
关键词 | 学习率 | 描述 |
---|---|---|
exponential | 指数学习率衰减 | - |
constant | 常数学习率 | - |
step | 阶梯学习率 | - |
NNTrainer提供
关键词 | 类名 | 描述 |
---|---|---|
cross_sigmoid | CrossEntropySigmoidLossLayer | 交叉熵sigmoid损失层 |
cross_softmax | CrossEntropySoftmaxLossLayer | 交叉熵softmax损失层 |
constant_derivative | ConstantDerivativeLossLayer | 常数导数损失层 |
mse | MSELossLayer | 均方误差损失层 |
kld | KLDLossLayer | 柯尔布克-莱布勒散度损失层 |
NNTrainer提供
关键词 | 损失名称 | 描述 |
---|---|---|
tanh | tanh函数 | 设置为层属性 |
sigmoid | sigmoid函数 | 设置为层属性 |
softmax | softmax函数 | 设置为层属性 |
relu | relu函数 | 设置为层属性 |
leaky_relu | leaky_relu函数 | 设置为层属性 |
swish | swish函数 | 设置为层属性 |
gelu | gelu函数 | 设置为层属性 |
quick_gelu | quick gelu函数 | 设置为层属性 |
elu | elu函数 | 设置为层属性 |
selu | selu函数 | 设置为层属性 |
softplus | softplus函数 | 设置为层属性 |
mish | mish函数 | 设置为层属性 |
张量负责层的计算。它执行多种运算,如加法、除法、乘法、点积、数据平均等。为了加速计算速度,PC(特别是NVIDIA GPU)上实现了CBLAS(C基本线性代数: CPU)和CUBLAS(CUDA:基本线性代数)用于某些操作。后续这些计算将进一步优化。 目前,我们支持延迟计算模式,以降低在计算过程中复制张量的复杂性。
关键词 | 描述 |
---|---|
4D张量 | B, C, H, W |
加/减/乘/除 | - |
求和、平均、最大值 | - |
点乘、转置 | - |
归一化、标准化 | - |
保存、读取 | - |
NNTrainer提供
关键词 | 损失名称 | 描述 |
---|---|---|
weight_initializer | 权重初始化 | Xavier(正态/均匀), LeCun(正态/均匀), HE(正态/均匀) |
weight_regularizer | 权重衰减 (仅L2范数) | 需要设置weight_regularizer_param和类型 |
目前,我们为Tizen提供C API。还为其他平台提供了C++ API。Java和C#API将尽快提供。
NNtrainer是一个根据Apache许可证版本2.0发布的开源项目。
欢迎贡献!详情请参见我们的贡献指南。
如果您发现这个NNTrainer项目对您的研究有用或相关,请考虑引用我们的论文:
@inproceedings{10.1145/3639477.3639716,
author = {Moon, Jijoong and Lee, Hyeonseok and Chu, Jiho and Park, Donghak and Hong, Seungbaek and Seo, Hyungjun and Jeong, Donghyeon and Kong, Sungsik and Ham, Myungjoo},
title = {A New Frontier of AI: On-Device AI Training and Personalization},
year = {2024},
isbn = {9798400705014},
publisher = {Association for Computing Machinery},
url = {https://doi.org/10.1145/3639477.3639716},
doi = {10.1145/3639477.3639716},
booktitle = {Proceedings of the 46th International Conference on Software Engineering: Software Engineering in Practice},
pages = {323–333},
numpages = {11},
keywords = {on-device AI, neural network, personalization, training, software framework},
series = {ICSE-SEIP '24}
}
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号