描述

介紹：

邊緣計算是一種將計算帶入終端設備的技術。在 EDGE-C 中，在網絡中心（即云）執行的計算被移動到終端設備。這降低了在云中處理大型計算的復雜性和開銷。這也減少了網絡使用并實現了快速響應，從而提高了傳輸速率。

邊緣計算主要解決以下挑戰：

• 隱私和安全
• 可擴展性
• 可靠性
• 速度
• 效率

在本文中，我們將深入研究實現 EDGE-C 的簡單實驗。首先，我們將討論一個問題。假設我們有一個設備可以收集特定位置的溫度和濕度并將其傳輸到云端。似乎是一件很簡單的事情。假設我們想要連續記錄數據以進行某種分析。所以，問題來了，如果傳感器出現某種問題怎么辦？在傳感器啟動之前，我們將丟失數據。為了解決這類問題，我們依靠在云中部署 ML 模型的古老技術來在傳感器出現故障時生成缺失值。這適用于一兩個設備。但隨著規模的擴大，我們需要更多的計算能力來解決許多設備故障。這就是邊緣計算發揮作用的地方。它將訓練有素的復雜模型部署在設備本身上。因此，當傳感器關閉時，設備仍然可以輕松地將數據發送到云端。

工作流程：

?

我們將從 TensorFlow Keras Sequential 模型開始該過程，之后我們會將其轉換為專為微控制器構建的 TensorFlow Lite。然后我們將從 TensorFlow Lite 轉換器生成一個 C 數組。這個 C 數組包含將部署到邊緣設備的訓練模型。

程序

在這個項目中，如果傳感器無法生成數據，我們將同時預測溫度和濕度。首先，我們將使用濕度。

1. 構建 TensorFlow 模型

讓我們導入必要的模塊

import tensorflow as tf
from tensorflow.keras import layers
import pandas as pd

現在讓我們從數據集中分離自變量和因變量，并將它們分別存儲在“x”和“y”中。

dataset = pd.read_csv("dataset_humidity.csv")
x = dataset.iloc[:,:-1].values
y = dataset.iloc[:,-1:].values

現在從 Keras 序列中，我們將創建一個具有 2 層 16 個神經元的神經網絡模型，該模型具有“relu”激活功能。并通過“fit”函數訓練模型，繞過模型的“x”和“y”值。訓練后，我們將模型存儲到具有“保存”功能的文件中，如下所示。

model = tf.keras.Sequential()
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1))
model.compile(optimizer='rmsprop', loss='mse', metrics=['mse'])
model.fit(x, y, epochs=1000, batch_size=16)
model.save('Humidity_predictor_model')

現在，我們終于使用 Tensorflow Keras 創建并訓練了我們的神經網絡模型。

2. 將 TF 模型轉換為 TF Lite 模型

現在我們將保存的 TF 模型轉換為 TF Lite 并將其保存為擴展名為'.tflite'的文件。為了優化，讓我們使用'tf.lite.Optimize.DEFAULT'來避免錯誤。

load_model = tf.keras.models.load_model('Humidity_predictor_model')
converter = tf.lite.TFLiteConverter.from_keras_model(load_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()
open("humidity_predictor.tflite", "wb").write(tflite_model)

3. 生成 TF Lite 模型到 C 數組

我們將使用 Linux 命令“ xxd ”將 TF Lite 模型轉換為 C 數組。此命令將文件或數據轉換為其等效的十六進制格式。這被稱為“十六進制轉儲”。

在上一步中生成的“.tflite”文件將作為“ xxd ”命令的輸入，對于輸出，我們將指定帶有擴展名的文件名。在這里，我將指定“.h”作為文件擴展名。您可以使用其他格式，例如“ .cc ”。

xxd -i humidity_predictor.tflite > humidity_predictor.h

由于 DHT11 傳感器同時讀取濕度和溫度。我們將預測這兩個值。到目前為止，您只為濕度準備了文件。對于溫度，重復從開始到這里的所有步驟，以獲得您的溫度 C 陣列。

如果您收到任何錯誤，請訪問此 GitHub 存儲庫以查找確切代碼。https://github.com/MohithGowdaHR/Edge_Computing.git

您將在“ Edge_Computing ”存儲庫的“ Models ”目錄中找到代碼。

4. 部署到邊緣設備

電路連接

?

ESP32              DHT11
5V         -       VCC
GND        -       GND
DIO4       -       DATA

現在我們將導入所需的庫。

#include "EloquentTinyML.h"
#include
#include "temperature_predictor.h"
#include "humidity_predictor.h"
#include "DHT.h"

這里前面步驟中生成的temperature_predictor.h和濕度_predictor.h應該存儲在創建'.ino'文件的同一目錄中，如下圖所示。

?

創建一個 TensorFlowlite 庫實例，如下面的代碼所示。

Eloquent::TinyML::TfLite,> temprature(temperature_predictor_tflite);
Eloquent::TinyML::TfLite3,> * 1024> humudity(humidity_predictor_tflite);

如果傳感器無法讀取這些值，我們將對其進行預測，直到傳感器返回。作為模型的輸入，我們將傳遞拼接的日期時間和之前記錄的溫度和濕度值。

float h = dht.readHumidity();
float t = dht.readTemperature(true);
delay(1000);
if (isnan(h) || isnan(t) ) {
Serial.println(F("Failed to read from DHT sensor!"));
float input_array[8] = {2020 , 5, 26, 11,  30, 0,  prevtemp,  prevhum}; //use RTC module or GPS module to get realtime date and time
float input_array2[8] = {2020 , 2, 4, 6,  40, 0,  prevhum,  prevtemp}; //year,month,day,hour,min,sec,temp,hum
float hum = humudity.predict( input_array2);
float temp = temprature.predict( input_array);
prevhum = hum;
prevtemp = temp;
Serial.print("\t predicted humidity: ");
Serial.println(hum);
Serial.print("\t predicted temp: ");
Serial.println(temp);
delay(1000);
return;
}
else
{
Serial.print("\t humidity: ");
Serial.println(h);
Serial.print("\t  temp: ");
Serial.println(t);
prevtemp = t;
prevhum = h;
}

結果：

?

最后，我們完成了！

現在我們將從邊緣設備記錄連續不間斷的值。