微芯科技机器学习涉及选择软件和硬件工具包、参考设计和理想的硅平台，在这些平台上，需要一个简化、易于使用且具有高级性能的环境。微芯片机器学习算法很容易用于收集和组织数据，训练数据中心的神经网络，或在边缘实现优化推理。

硅器件的广泛微芯片组合包括微控制器(MCUs)、微处理器(MPUs)和现场可编程门阵列(fpga)。软件工具包允许使用流行的机器学习框架，包括TensorFlow、Keras、Caffe，以及ONNX涵盖的许多其他框架，以及TinyML和TensorFlow Lite中的框架。

硬件和软件的结合使用户能够设计各种应用，包括数据中心的高性能人工智能加速卡、自动驾驶汽车、安全和监视、电子围栏、增强和虚拟现实耳机、无人机、机器人、卫星图像和通信中心。

特性

• 更快的开发时间

• 日和月

• 预测的可伸缩精度

• 当地学习

• 减少误报或误报

• 创建新的可能性

• 发现一个“难以看到”的模式

机器学习数据流的硅平台

毫升的组件

监督学习图

查看Microchip的VectorBlox AI

机器学习的信息

查看全部信息