Intelligence Artificielle pour l'embarqué

Responsables : Guillaume Bourmaud, ENSEIRB-MATMECA et  Frédéric Druillole, CENBG

Cours :

Première partie : IA classique :

• Cours CNN :

       o Couche de convolution.

       o Réseau de neurones à convolution.

        o Architecture U-Net.

• Cours Réseaux profonds et spécialisation  :

        o Couche de "batch normalisation".

        o Connexion résiduelle.

        o  Architecture ResNet. Modèles de fondation.

        o Spécialisation d'un réseau de neurones (fine tuning).

Deuxième partie : IA embarquée :

• Les principes de l'IA pour l'embarqué.
• Les méthodes d'optimisation.
• Le matériel pour l'IA embarqué.
• Les règles et les difficultés d'inférence.

TP :

TP IA classique :

• CNN Pytorch : implémentation d'un CNN pour de la reconnaissance de chiffres manuscrits.
• Spécialisation d'un réseau ResNet.

TP IA embarquée :

• Optimisation d'un modèle simple pour un circuit FPGA (circuit Xilinx Artyx).
• Test de l’inférence sur une carte Digilent Nexys A7 100T.

Langage Python, bases de Machine Learning, bases de Deep Learning, langage VHDL, circuits FPGA, outil AMD Vivado, Linux, commandes Linux.