账号:
密码:
智动化 / 文章 /

机器学习模型设计过程和MEMS MLC
[作者 意法半導體]   2021年12月07日 星期二 浏览人次: [2949]

开发机器学习专案的五个步骤 — 掌握要点,应用并不困难!


边缘机器学习具有许多优势。然而,由于开发方法与标准程式设计方法截然不同,许多机器学习开发者可能会担心自己难以驾驭。


其实,完全没有必要担心。一旦熟悉了步骤,并掌握了机器学习专案的要点,就能够开发具有价值的机器学习应用。此外,意法半导体(STMicroelectronics;ST)提供解决方案,以促进边缘机器学习得到广泛应用发挥全部潜力。本文描述机器学习专案的必要开发步骤,并介绍了ST MEMS感测器内嵌机器学习核心(MLC)的优势。



图一 : 嵌入式ST感测器的机器学习核心
图一 : 嵌入式ST感测器的机器学习核心

首先,针对机器学习模型--决策树(Decision Tree),该模型与MLC一起内嵌在ST MEMS中。


当使用者想要在嵌入式系统中使用机器学习或深度学习功能时,通常可按照以下五个步骤进行开发(图二)。



图二 : AI专案开发的五个步骤
图二 : AI专案开发的五个步骤

在步骤1中,开发者需要收集机器学习所需的数据。该数据集的一部分(训练集)将用于训练模型,另一部分(测试集)将用于评估所构建模型的性能。机器学习的数据集中典型的拆分比率为:训练集80%,测试集20%。


在步骤2中,需要对数据进行标注。开发者需要将收集到的数据标注类别(例如「跑步」、「散步」、「静止」等);而决策树是一种基于开发者所决定的分类模型。


分类则是指根据重要的属性对数据进行分类:这种属性在机器学习领域被称为「类别」。


接下来,在步骤3中,使用预先准备的数据集训练机器学习模型。该任务亦称为「fitting」。训练结果的准确性在很大程度上取决于训练集的内容和数量。


在步骤4,将训练过的机器学习模型嵌入到系统中。使用者可以利用Pythonlibrary直接运行模型。对于在MCU等元件上运行的机器学习演算法,开发者可以在执行之前将该library转换为C程式。而针对MEMS MLC等硬体连接型解决方案,开发者可以在执行之前使用专用软体UNICO-GUI将library转换为register setting。


最后步骤5,验证机器学习模型。如果验证结果与预期的结果不能匹配,则开发者必须审视上述步骤中需要改进的部分,以及如何改进。


类比人类在进行分类的思维方式-决策树


在机器学习兴起之前,决策树模型就已经用于数据分类。例如杂志上的性格测试 - 在测试中,您需要依照顺序回答多个问题(顺序是依照每个问题的分支而决定的),之后再根据结果推断测试者的性格。这是一个典型的决策树范例。为了创造一个机器学习分类模型,需要在每个阶段组合多个检查点(称为decision node)。


在另一个例子中,一位经验丰富的房地产经纪人评估来访客户是否会根据如下图所示的决策树购买房产:他将到达一个最终节点(或称leaf),并根据每个node的条件做出最终决定。



图三 : 决策树范例(以房地产业者为例)
图三 : 决策树范例(以房地产业者为例)

在开发决策树之前,必须通过分类演算法确定三个要点,即要解决的问题、分类过程中感兴趣的参数(特征值,即input),以及要寻找的最终答案(即output)。在房地产经纪人的例子中,问题是预测客户是否会购买房产。答案是客户是否会购买房产。


总之,特征处理是获得准确答案的关键。在这种情况下,特征可以包括客户的收入、房产的价格、房间的数量,以及是否有停车位等等。得到的答案很大程度上取决于特征值、特征的顺序,以及分类阈值(用于区分数据的thresholds)。为了创造机器学习决策树,开发者必须先定义需要的特征和阈值。接着可以透过反覆学习来改善决策树的结构以获得更准确的答案,进而最佳化每个node的特征选择顺序和分类阈值。


决策树方法看起来像是传统的「if-then-else」方法,那不同之处在哪呢?


关键在于所使用的特征、决策节点的位置、阈值和决策树的结构不是由设计人员事先决定的,而是模型根据数据集学习而来。事实上,若依据米兰、东京或上海的房地产数据集训练模型(例如,房地产模型)时,可能会得到不同的结果。


走过AI边缘装置的过渡期-在内建MLC的ST MEMS感测器上运行嵌入式决策树。


ST提供了LSM6DSOX、LSM6DSO32X、LSM6DSRX和ISM330DHCX(这些装置将MEMS感测器与3轴加速度计、3轴陀螺仪和MLC整合),以及IIS2ICLX(整合了超高精度2轴加速度感测器和MLC)。


因应机器学习分类的需求,我们进行了硬体逻辑最佳化且具备出色的感测器规格(图三),内建MLC的MEMS动作感测器为使用者提供具有低功耗和较高即时精度的个人化嵌入式决策树(图三)。 MLC可以执行高达32个特征值的决策树。意法半导体也提供了开发环境,以便开发者轻松开发在MLC中运行的决策树。


开发者可以在机器学习常用平台(如Weka、RapidMiner、MATLAB和Python(图四))上进行开发。尽管这些平台相当灵活且多功能,开发者仍需具备足够的知识和技能才能妥善开发适合该应用的决策树。



图四 : MEMS MCL训练流程
图四 : MEMS MCL训练流程

为此,意法半导体针对ST MEMS感测器开发板提供了Unico-GUI软体,其中包含多种特征,便于轻松开发决策树并载入至MLC。 Unico-GUI使用者能够轻松、直观地收集数据,并透过简单易用的GUI来训练、验证模型。


意法半导体推出高度通用、配备多种感测器的开发板,可满足广泛的硬体规格需求(图5)。开发板配备支援MLC的MEMS动作感测器,并具有支援无线连接、可由电池供电、可在SD卡上存储数据等特点,具有高度通用性,可用于广泛的应用(包括汽车、工业用仪表和消费性电子装置)。意法半导体更提供AlgoBuilderSuite PC软体,该软体(搭配使用Unicleo)提供GUI,可以轻松在开发板上操作,并进行数据搜集。 有了AlgoBuilderSuite,开发者可以轻松、直观地对感测器进行程式设计,且无需编写撰写任何程式。



图五 : 数据收集 - ST软体与硬体工具
图五 : 数据收集 - ST软体与硬体工具
相关文章
NanoEdge AI 解决方案协助嵌入式开发应用
实现车内低延迟主动降噪
用於工业应用中环境监测的感测器
利用Time-of-Flight感测器开发3D手势辨识
物联网技术促进节能减排
comments powered by Disqus
  相关新闻
» 聚鼎科技2022年上半年合并获利衰退 启动改善调整计画
» 国研院仪科中心与成大产创总中心签订合作备忘录 联手为医材创新加速加值
» 种电养虾 向阳闯出防疫型温室养虾新蓝海
» 友达颐康「心悦健康促进中心」启用 提供在地乐龄健康运动空间
» 工研院携手打造化合物半导体聚落 超前部署电动车供应链
  相关产品
» u-blox推出尺寸最小GNSS模组MIA-M10 提供节能解决方案
» u-blox推出LARA-L6 LTE Cat 4蜂巢式通讯模组
» SCHURTER新型多功能IEC连接器模组适用於资料中心配电
» u-blox推出MAYA-W2三射频模组 协助加速产品上市时程
» u-blox推出NORA-W10 Wi-Fi 4及蓝牙LE 5.0模组 提供卓越射频