该视频讨论了使用 ONNX 作为一种开放格式,将深度学习集成为射频领域的灵活开源解决方案。演讲者介绍了他们的新模块 GR DNN DN4,该模块对 GNU Radio 和 ONNX 使用 Python 接口,并通过使用在 GNU Radio 生成的模拟数据上训练的深度卷积神经网络模型进行自动调制分类的示例展示了其功能。他们还讨论了使用深度学习对 BGG16 模型的 SDR 数据进行分类的要求和挑战,并建议使用硬件加速(例如 GPU)来改进推理并获得实时结果。该项目是开源的,鼓励合作。
00:00:00 在视频的这一部分,Oscar Rodriguez 讨论了他在 GNU Radio 和 ONNX 中的深度学习推理工作。他们项目的主要目标是将深度学习作为一种灵活的开源解决方案集成到射频领域。他们选择 ONNX 是因为它是一种开放格式,允许不同框架之间的机器学习互操作性,解决了深度学习框架不兼容的问题。但是,使模型适应 ONNX 会产生成本,并且某些操作可能存在操作可用性问题,尽管 ONNX 得到 Microsoft 的积极开发和支持这一事实缓解了这一问题。最终,ONNX 在用户的模型和不同的深度学习框架之间提供了一个抽象层。
00:10:00 在本节中,演讲者讨论了 ONNX 中执行提供程序的可扩展性,只要所有 ONNX 操作都在该平台上实施,就可以支持新的硬件平台。然后他们介绍了他们的新模块 GR DNN DN4,该模块使用 Python 接口用于 GNU Radio 和 ONNX。同步模块使输入适应模型的预期格式,用转换后的数据拟合模型,然后将输出转换回一维格式。该模块还允许选择 ONNX 支持的不同执行提供程序。演讲者继续使用在 GNU Radio 生成的模拟数据上训练的深度卷积神经网络模型进行自动调制分类示例,从而展示 GR DNN DN4 的功能。
GRCon20 - 使用 ONNX 在 GNU Radio 中进行深度学习推理
GRCon20 - 使用 ONNX 在 GNU Radio 中进行深度学习推理
该视频讨论了使用 ONNX 作为一种开放格式,将深度学习集成为射频领域的灵活开源解决方案。演讲者介绍了他们的新模块 GR DNN DN4,该模块对 GNU Radio 和 ONNX 使用 Python 接口,并通过使用在 GNU Radio 生成的模拟数据上训练的深度卷积神经网络模型进行自动调制分类的示例展示了其功能。他们还讨论了使用深度学习对 BGG16 模型的 SDR 数据进行分类的要求和挑战,并建议使用硬件加速(例如 GPU)来改进推理并获得实时结果。该项目是开源的,鼓励合作。