TinyML很強(qiáng)大是因為它幫助微型設(shè)備基于大量數(shù)據(jù)采集制定決策方法，而不會浪費(fèi)時間和精力傳輸數(shù)據(jù)。假設(shè)你正在追蹤非洲大草原的動物行為，你想知道獅子在一天中不同時間咆哮的頻率。

你可以選擇以下方法收集數(shù)據(jù)：

?躲在草叢中，用記事本和鉛筆記錄每次聽到的吼聲。

?用設(shè)置好的帶電池的錄音機(jī)記錄，每隔幾星期去更換存儲卡。

?通過數(shù)據(jù)連接（如蜂窩網(wǎng)絡(luò)）傳輸音頻。

以上所有方法都有以下缺點：

?將人員留在現(xiàn)場是非常昂貴的，同時還需考慮他們的安全問題

?駕車去收集存儲卡需要耗費(fèi)時間和錢，而且每隔幾周才可以獲得新數(shù)據(jù)。

?傳輸數(shù)據(jù)會消耗大量能量和錢，并且大部分地區(qū)的網(wǎng)絡(luò)帶寬也受到限制。這種方法可能會更快地獲得數(shù)據(jù)，但仍需定期開車去更換電池。

除了這些缺點以外，在錄音中數(shù)出獅子的吼聲真的很無聊，而且還需要花費(fèi)寶貴的資金。訓(xùn)練機(jī)器學(xué)習(xí)模型來識別錄音中的獅子吼聲并自動計數(shù)可以減輕這一煩惱。為此需要先收集一組帶標(biāo)簽的數(shù)據(jù)輸入到算法中，然后創(chuàng)建一個模型來識別音頻中的吼叫聲。

這將解決需要花費(fèi)數(shù)小時收聽Savanna音頻的問題。但是這樣仍然保留了上述缺點。

在過去，機(jī)器學(xué)習(xí)模型只能存在于強(qiáng)大的大型硬件上，導(dǎo)致它們大多數(shù)時候只能在實驗室的服務(wù)器上運(yùn)行。但是近年來機(jī)器學(xué)習(xí)算法和低功耗硬件已經(jīng)發(fā)展到可以在嵌入式設(shè)備上運(yùn)行復(fù)雜模型的階段。

如果我們采用獅吼計數(shù)模型應(yīng)用在嵌入式設(shè)備中并部署到野外，我們會獲得以下優(yōu)勢：

?我們的設(shè)備無需通過昂貴的高帶寬網(wǎng)絡(luò)來發(fā)送記錄到的音頻，而是可以當(dāng)場計算聽到的吼聲數(shù)量，并發(fā)送極低功率的遠(yuǎn)程無線電，像LoRa那樣。

?獲得咆哮聲的數(shù)量就夠了，所以不需要存儲音頻以及收集存儲卡。

?此設(shè)備很便宜且功耗極低，僅用一個電池即可運(yùn)行數(shù)年。

?沒有人需要聽100小時的野生動植物混合錄音帶了。

這聽起來是一個很好的解決方案。我們解決了一些實際問題，并獲得了比以前更便宜更可靠的解決方案。

但是機(jī)器學(xué)習(xí)是一個令人生畏的主題。它技術(shù)性很強(qiáng)并涉及許多新概念，它也存在很多陷阱，可以很容易地訓(xùn)練一個看似有用但無法工作的模型。

更重要的是，在嵌入式設(shè)備上運(yùn)行機(jī)器學(xué)習(xí)代碼非常困難。除了需要了解機(jī)器學(xué)習(xí)和信號處理算法的知識外，通常還會受制于硬件性能的限制，可能要運(yùn)用書中的所有技巧才能發(fā)揮給定類型芯片的全部性能。

當(dāng)我們寫《TinyML》這本書時，我意識到盡管任何人都可以輕松地開始學(xué)習(xí)基于嵌入式設(shè)備的機(jī)器學(xué)習(xí)。但想要構(gòu)建出可用于生產(chǎn)的東西卻會困難得多。對于專注解決實際問題的普通工程師來說，一天中沒有足夠的時間來學(xué)習(xí)機(jī)器學(xué)習(xí)，更不用說要為特定的微控制器架構(gòu)優(yōu)化底層ML代碼了。機(jī)器學(xué)習(xí)聽起來是一個不錯的解決方案，但是它需要大量的投入來學(xué)習(xí)和使用。

這就是為什么我對Edge Impulse感到非常感興趣的原因（事實上我因為太感興趣而加入了這個團(tuán)隊）。它是一組用于處理機(jī)器學(xué)習(xí)中繁瑣部分的工具，使開發(fā)人員可以專注于他們要解決的問題。Edge Impulse讓收集數(shù)據(jù)集，選擇正確的機(jī)器學(xué)習(xí)算法，訓(xùn)練生產(chǎn)級模型以及測試的過程變得容易。然后它將整個內(nèi)容導(dǎo)出為可以輕松放入項目中的高效，高度優(yōu)化的C ++庫。

使用Edge Impulse創(chuàng)建咆哮計數(shù)模型的步驟很簡單：

1.收集少量音頻數(shù)據(jù)，給他們標(biāo)記為“吼”或“非吼”，整個過程只需幾分鐘就可以完成。
2.使用Edge Impulse CLI將數(shù)據(jù)上傳到Edge Impulse。
3.按照說明訓(xùn)練簡單模型。
4.添加更多數(shù)據(jù)并調(diào)整模型的設(shè)置直到獲得所需的精準(zhǔn)度。
5.將模型導(dǎo)出為C ++庫，并將其添加到嵌入式項目中去。

整個過程可以在幾分鐘內(nèi)完成，你不必親自參觀非洲大草原。

由于現(xiàn)實中沒有獅子，所以本教程訓(xùn)練了一個可以識別家庭聲音的模型：即水龍頭發(fā)出的自來水聲。 要訓(xùn)練的模型大小約為18Kb并且體積小巧，卻可以運(yùn)用在復(fù)雜應(yīng)用的同時為應(yīng)用程序代碼留出大量空間。

如果你有一個基于Arm Cortex-M4的STM32 IoT Node Discovery Kit套件開發(fā)板，就可以通過WiFi或串行捕獲自己的數(shù)據(jù)集。如果你沒有或者正在等待一個板子，可以下載我從Sunnyvale公寓收集的數(shù)據(jù)集。Edge Impulse構(gòu)建了一個可以內(nèi)置到任何Cortex-M或Cortex-A設(shè)備中緊湊獨(dú)立的C ++庫。我們自動使用FPU，矢量擴(kuò)展，CMSIS-DSP和CMSIS-NN來優(yōu)化性能，并最大程度地減少RAM和閃存的使用。

除獅子和水龍頭外，TinyML還有很多不同應(yīng)用。想象一下可以識別語音命令的微型設(shè)備：當(dāng)機(jī)器出現(xiàn)故障時進(jìn)行識別，根據(jù)周圍的聲音了解房屋中發(fā)生的活動。它最大的優(yōu)點是借助設(shè)備上的推理功能可以保護(hù)用戶隱私-無需將任何音頻發(fā)送到云上。

通過使用Edge Impulse任何開發(fā)人員都可以輕松構(gòu)建ML應(yīng)用程序，Edge Impulse為所有想把驚人想法應(yīng)用在硬件領(lǐng)域的人實現(xiàn)了夢想。我們隨著技術(shù)的發(fā)展不斷改進(jìn)我們的平臺，因此每個人都將從最新的算法和技術(shù)中受益。

審核編輯：劉清