???????一旦您熟悉了開發步驟并掌握了機器學習項目中的要點,就能夠開發有價值的機器學習應用。此外,意法半導體提供解決方案,以促進邊緣機器學習得到廣泛應用并發揮全部潛力。本文描述了機器學習項目的必要開發步驟,并介紹了ST MEMS傳感器內嵌機器學習核心(MLC)的優勢。
我們將向用戶介紹特殊機器學習模型——決策樹,該模型與機器學習核心一起內嵌在ST MEMS中。
當用戶想要在嵌入式系統中使用機器學習或深度學習功能時,通常可按照以下五個步驟進行開發(如下圖)。
步驟1
用戶需要收集用于機器學習模型創建的數據。該數據集的一部分(訓練數據集)將用于訓練模型,另一部分(測試數據集)稍后將用于評估所構建模型的性能。機器學習的數據集中典型的拆分比例為:訓練數據集80%,測試數據集20%。
步驟2
用戶需要對數據進行標記;基本上,我們需要告訴機器收集的數據屬于哪一類(例如“跑步”、“散步”、“靜止”……);決策樹是一種模型,基于模型創建者所表現的分類法。
分類指的是根據您認為重要的屬性對數據進行分組:這種屬性在機器學習領域被稱為“類”。
步驟3
用戶使用預先準備的數據集訓練機器學習模型。該任務也稱為“擬合”。訓練結果的準確性在很大程度上取決于用于訓練的數據的內容和數量。
步驟4
用戶將訓練過的機器學習模型嵌入到系統中。對于在計算機上運行的機器學習算法,用戶可以利用Python庫直接運行模型。對于在MCU等器件上運行的機器學習算法,用戶可以在執行之前將該庫轉換為C代碼。對于MEMS MLC等硬件連接型解決方案,用戶可以在執行之前使用專用軟件UNICO-GUI將庫轉換為寄存器設置。
步驟5
用戶驗證機器學習模型。如果驗證結果與預期的結果不匹配,則用戶必須確定上述步驟中需要改進的部分,以及如何改進。決策樹用于模擬人類在分類過程中的思維方式
在機器學習興起之前,決策樹模型就已經用于數據分類。比如雜志上的性格測試 - 在此類測試中,您要按順序回答多個問題(順序是按照每個問題的分支確定的),之后再根據結果推斷您的性格。這是一個典型的決策樹示例。為了創建一個機器學習分類模型,需要在每個階段組合多個檢查點(稱為決策結點)。
在另一個例子中,一位經驗豐富的房地產經紀人評估來訪客戶是否會根據如下圖所示的決策樹購買房產:他將到達一個最終結點(或稱“葉子結點”),并根據每個決策結點的條件做出最終決定。
在開發決策樹之前,必須通過分類算法確定三個要點,即要解決的問題、分類過程中的感興趣參數(特征值(輸入)),以及要尋找的最終答案(輸出)。在房地產經紀人的例子中,問題是預測客戶是否會購買房產。答案是客戶是否會購買房產。
總之,合理的特征處理是獲得準確答案的關鍵。在這種情況下,特征可以包括客戶的收入、房產的價格、房間的數量,以及是否有停車位等等。得到的答案很大程度上取決于特征“結果”或值、特征的順序,以及分類閾值(用于區分數據的參考值)。為了通過機器學習創建決策樹,開發人員必須首先指定要使用的特征和閾值。然后,開發人員可以通過反復學習來改進決策樹的結構以獲得更準確的答案,從而優化每個決策結點上要檢查的特征選擇的順序和分類閾值。
認真分析這個結構,該決策樹方法看起來像是傳統的“如果-則-否則”方法,那不同之處在哪里呢?
關鍵在于,要使用的特征、決策結點的位置、閾值和決策樹的結構不是由設計人員“先知先覺”決定的,而是根據給定的特定數據集從ML模型本身“學習”來的。事實上,根據米蘭、東京或上海的房地產數據集訓練模型(例如,房地產模型)時,可能會得到不同的結果。
帶有機器學習核心的ST MEMS傳感器可以通過嵌入式決策樹推動向邊緣人工智能的過渡。
我們提供LSM6DSOX、LSM6DSO32X、LSM6DSRX和ISM330DHCX(這些器件將MEMS傳感器與3軸加速度計、3軸陀螺儀和MLC集成在一起),以及IIS2ICLX(集成了超高精度2軸加速度傳感器和MLC)。
由于面向機器學習分類進行了硬件邏輯優化且具有出色的傳感器規格(圖4),帶MLC的MEMS運動傳感器為用戶提供具有低功耗和較高實時精度的個性化嵌入式決策樹(上圖)。MLC可以執行相關決策樹,最多能夠處理32個特征值。意法半導體還提供了開發環境,幫助用戶輕松開發在MLC中運行的決策樹。
用戶可以使用面向機器學習開發的常用平臺(如Weka、RapidMiner、MATLAB和Python(下圖))之一開發在MLC上運行的決策樹。盡管這些平臺高度靈活且具有多功能性,但是用戶也需要具備足夠的知識和技能才能開發適合給定用例的決策樹。
為此,意法半導體針對ST MEMS傳感器評估板提供了Unico-GUI全面軟件包,其中包含多個功能,可幫助用戶輕松開發上傳到MLC中的決策樹。Unico-GUI使用戶能夠輕松、直觀地收集數據,并通過簡單易用的GUI來訓練、驗證模型。
意法半導體還提供高度通用的評估板,這些板配備多個傳感器,可滿足廣泛的硬件規格要求(下圖)。意法半導體提供的板件配備支持MLC的MEMS運動傳感器,并且具有支持無線連接、可電池供電、可在SD卡上存儲數據等特征,具有高度通用性,可用于廣泛的應用(包括汽車、工業儀表和消費電子設備)。意法半導體還提供AlgoBuilderSuite PC軟件,該軟件(與Unicleo配合)提供GUI,可以輕松對板件進行編程,并由此進行數據記錄。有了AlgoBuilderSuite,用戶可以輕松、直觀地對傳感器進行編程,無需編寫任何代碼。
責任編輯:haq
-
mems
+關注
關注
129文章
3928瀏覽量
190590 -
模型
+關注
關注
1文章
3229瀏覽量
48813 -
機器學習
+關注
關注
66文章
8408瀏覽量
132575
原文標題:AI技術專題之二|機器學習模型設計過程和MEMS MLC
文章出處:【微信號:STM32_STM8_MCU,微信公眾號:STM32單片機】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
相關推薦
評論