ZHDA204A June   2026  – October 2026 MSPM0G5187

 

  1.   1
  2.   摘要
  3.   商标
  4. 1 简介
  5. 2 带 TinyEngine NPU 的 MSPM0G5187
  6. 3 边缘 AI 工具链
    1. 3.1 TI Edge AI Studio
    2. 3.2 TI Tiny ML Tensorlab
    3. 3.3 TI 神经网络编译器
  7. 4 通过 TI Edge AI Studio 进行快速原型设计
    1. 4.1 工程设置
    2. 4.2 数据采集
      1. 4.2.1 硬件设置
      2. 4.2.2 特征概述
    3. 4.3 数据导入
      1. 4.3.1 分类任务
      2. 4.3.2 回归任务
      3. 4.3.3 预测任务
      4. 4.3.4 注释列表
    4. 4.4 数据注释
    5. 4.5 模型训练
      1. 4.5.1 训练参数
      2. 4.5.2 工具链依赖项
    6. 4.6 性能报告
    7. 4.7 模型导出
  8. 5 通过 TI Tiny ML Tensorlab 进行高级开发
    1. 5.1 环境设置
    2. 5.2 数据采集
      1. 5.2.1 数据检索
      2. 5.2.2 数据验证
    3. 5.3 模型架构迭代重构
      1. 5.3.1 基线实现
      2. 5.3.2 使用 PyTorch 内置模块进行重构
      3. 5.3.3 数据管道优化
      4. 5.3.4 过渡到 CNN 架构
    4. 5.4 模型导出
    5. 5.5 量化感知训练
    6. 5.6 模型编译
  9. 6 边缘 AI 应用：数字识别
    1. 6.1 LeNet-5 变体 CNN 模型
    2. 6.2 NPU/CPU 性能比较
  10. 7 边缘 AI 应用：波形分类器
    1. 7.1 特征提取
    2. 7.2 时序分类模型
    3. 7.3 模型内存注意事项
    4. 7.4 NPU/CPU 性能比较
  11. 8 总结
  12. 9 参考资料
  13. 10修订历史记录

4.5.1 训练参数

训练参数配置分为两个主要阶段：预处理参数和训练超参数。

预处理参数

Edge AI Studio 支持两个预处理工作流程，以准备进行模型训练的数据：

  • 简单窗口：该方法通过滑动窗口机制使用数据集中的原始时间序列数据。用户可以在 0.01 至 1.0 范围内配置窗口大小
  • 特征提取：此工作流程执行高级数据转换。在特征提取模块中，用户可以在两种处理模式之间进行选择：
    • FE_RFFT_FIXED：使用 FFT 来提取频域信息。支持的 FFT 大小必须为 2 的幂，输出大小定义为“帧大小/2”。FFT 输出随后会聚合到由“每帧特征大小”参数定义的特定数量区间中
    • 原始：利用原始的时间序列数据而不进行频率变换

以下参数用于配置特征提取工作流程。这些设置适用于 FFT 和原始处理模式：

表 4-4 特征提取参数
参数说明
帧大小指定每个处理帧的输入样本数。
每帧特性大小定义每帧生成的区间数（或特征数）。
要连接的帧指定要从缓冲区中检索的前一个帧的区间数。这种机制使得模型能够捕获整个频谱上的时间变化。
通道数定义了要同时处理的传感器通道数量。

有关全面的实现示例，请参阅节 7.1（波形分类器应用）。

训练超级参数

训练超参数控制优化过程和最终模型特征：
  • 轮次数量：定义完整遍历训练数据集的总次数。通常，增加轮次的数量可使模型参数收敛到更接近理想设计，但过多轮次可能会导致过度拟合。
  • 学习率：确定在每个轮次梯度下降后参数更新时的步长。较高的学习率可以加快接近全局理想状态，但可能会导致振荡或不稳定。相反，较低的学习率提供更稳定的收敛，但需要更多的轮次，并且可能会陷入局部理想的情况。
  • 批次大小：指定在单次迭代中处理的训练样本数。请注意，较大的批次大小会增加主机 PC 上的计算负载和存储器压力。
  • 优化（精密模式）：定义经过训练的模型的目标精度：
    • 高精度：训练全精度浮点模型。
    • 高速：利用量化感知训练 (QAT) 生成针对高速推理优化的量化定点模型。