JADA221A June   2026  – October 2026 MSPM0G5187

 

  1.   1
  2.   概要
  3.   商標
  4. 1 概要
  5. 2 TinyEngine NPU を搭載した MSPM0G5187
  6. 3 エッジ AI ツールチェーン
    1. 3.1 TI Edge AI Studio
    2. 3.2 TI Tiny ML Tensorlab
    3. 3.3 TI ニューラル ネットワーク コンパイラ
  7. 4 TI Edge AI Studio による迅速なプロトタイピング
    1. 4.1 プロジェクトの設定
    2. 4.2 データ キャプチャ
      1. 4.2.1 ハードウェア設定
      2. 4.2.2 機能の概要
    3. 4.3 データのインポート
      1. 4.3.1 分類タスク
      2. 4.3.2 回帰タスク
      3. 4.3.3 予測タスク
      4. 4.3.4 アノテーション リスト
    4. 4.4 データ アノテーション
    5. 4.5 モデルのトレーニング
      1. 4.5.1 トレーニング パラメータ
      2. 4.5.2 ツールチェーンの依存関係
    6. 4.6 パフォーマンス レポート
    7. 4.7 モデルのエクスポート
  8. 5 TI Tiny ML Tensorlab による高度な開発
    1. 5.1 環境設定
    2. 5.2 データ収集
      1. 5.2.1 データの取得
      2. 5.2.2 データの検証
    3. 5.3 モデル アーキテクチャの反復リファクタリング
      1. 5.3.1 ベースライン実装
      2. 5.3.2 PyTorch 組み込みモジュールによるリファクタリング
      3. 5.3.3 データ パイプラインの最適化
      4. 5.3.4 CNN アーキテクチャへの移行
    4. 5.4 モデルのエクスポート
    5. 5.5 量子化対応トレーニング
    6. 5.6 モデルのコンパイル
  9. 6 エッジ AI アプリケーション:数字認識
    1. 6.1 LeNet–5 バリアント CNN モデル
    2. 6.2 NPU/CPU の性能比較
  10. 7 エッジ AI アプリケーション:波形分類
    1. 7.1 特徴抽出
    2. 7.2 時系列分類モデル
    3. 7.3 モデル メモリに関する検討事項
    4. 7.4 NPU/CPU の性能比較
  11. 8 まとめ
  12. 9 参考資料
  13. 10改訂履歴

トレーニング パラメータ

トレーニング パラメータの設定は、前処理パラメータとトレーニング ハイパーパラメータの 2 つの段階に分かれます。

前処理パラメータ

Edge AI Studio は、モデル トレーニング用のデータを準備する 2 つの前処理ワークフローをサポートしています。

  • シンプル ウィンドウ:スライド式のウィンドウ メカニズムを使用して、データセットの未加工の時系列データを利用します。ウィンドウ サイズは 0.01 ~ 1.0 の範囲で設定できます
  • 特徴抽出:このワークフローは高度なデータ変換を実行します。特徴抽出モジュールでは、次の 2 つの処理モードから選択できます。
    • FE_RFFT_FIXED:FFT を使用して周波数ドメイン情報を抽出します。サポートされている FFT サイズは 2 のべき乗である必要があり、出力サイズは「フレーム サイズ / 2」と定義されています。その後、FFT 出力は、「フレームあたりの特徴量サイズ」パラメータで定義されている特定の数のビンに集約されます
    • RAW:周波数変換なしで、未加工の時系列データを利用します

特徴抽出ワークフローを設定するには、次のパラメータを使用します。これらの設定は、FFT と 未加工 の両方の処理モードに適用できます。

表 4-4 特徴抽出パラメータ
パラメータ説明
フレーム サイズ処理フレームあたりの入力サンプル数を指定します。
フレームあたりの特徴サイズフレームごとに生成されるビン (または特徴) の数を定義します。
連結するフレームバッファから取得する前のフレームのビン数を指定します。このメカニズムにより、モデルは周波数スペクトル全体の時間変化を捕捉することができます。
チャネル同時に処理されるセンサ チャネル数を定義します。

包括的な実装例については、セクション 7.1 (波形分類アプリケーション) を参照してください。

トレーニング ハイパーパラメータ

トレーニング ハイパーパラメータは、最適化プロセスと最終的なモデルの特性を制御します。
  • エポック:トレーニング データセットによる完了パスの合計数を定義します。一般に、エポック数を増やすと、モデル パラメータが最適な設計に近づくことができますが、エポックが多すぎるとオーバーフィッティングにつながる可能性があります。
  • 学習率:各エポックの最急降下法に従ってパラメータを更新する際のステップサイズを決定します。学習率が高いほど、グローバル最適化への収束を加速させることができますが、振動や不安定性を引き起こす可能性があります。逆に、学習率が低いほど収束はより安定しますが、より多くのエポックが必要になり、局所解になる可能性があります。
  • バッチ サイズ:1 回の反復で処理されるトレーニング サンプルの数を指定します。バッチ サイズを大きくすると、ホスト PC の計算負荷とメモリ圧力が大きくなることに注意してください。
  • 最適化 (精度モード):トレーニング済みモデルのターゲット精度を定義します。
    • 高精度:フル精度の浮動小数点モデルをトレーニングします。
    • 高速:量子化対応トレーニング (QAT) を利用して、高速推論用に最適化された量子化固定小数点モデルを作成します。