除了像TensorFlow for Arduino這樣強(qiáng)大的深度學(xué)習(xí)架構(gòu)外，還有一些經(jīng)典的ML方法適用于嵌入式設(shè)備上的較小數(shù)據(jù)集，這些方法有用且易于理解-最簡(jiǎn)單的方法之一就是KNN。

KNN的一個(gè)優(yōu)勢(shì)在于，一旦Arduino獲得了一些示例數(shù)據(jù)，就可以立即對(duì)其進(jìn)行分類。我們已經(jīng)發(fā)布了一個(gè)新的Arduino庫，可以快速輕松地將KNN導(dǎo)入在程序中，且無需進(jìn)行設(shè)備外培訓(xùn)或其他工具。

在本文中，我們將使用顏色分類器示例來介紹KNN。之前在深度學(xué)習(xí)中我們展示過相同的應(yīng)用程序，相比之下，KNN是一種更快、更輕量的方法，但無法擴(kuò)展到更大，更復(fù)雜的數(shù)據(jù)集。

顏色分類示例

在本教程中，我們將介紹如何使用Arduino Nano 33 BLE Sense上的Arduino_KNN庫按顏色對(duì)其對(duì)象進(jìn)行分類。

在進(jìn)行配置時(shí)我們將需要進(jìn)行以下準(zhǔn)備：

Arduino Nano 33 BLESense開發(fā)板

MicroUSB數(shù)據(jù)線

打開Arduino IDE或Arduino Create的云端編譯器

安裝Arduino_KNN庫

從文件》示例》 Arduino_KNN中選擇ColorClassifier

編譯程序并上傳到您的Arduino開發(fā)板

Arduino_KNN庫

該示例使用了Arduino_KNN庫，該庫提供了一個(gè)簡(jiǎn)單的界面，可在我們自己的程序中使用KNN：

#include 《Arduino_KNN.h》 // Create a new KNNClassifierKNNClassifier myKNN（INPUTS）;

在本示例中，INPUTS = 3 用來表示顏色傳感器的R、G和B值。

采樣對(duì)象顏色

當(dāng)打開串行監(jiān)視器時(shí)會(huì)看到以下消息：

Arduino KNN color classifierShow me an example Apple

Arduino開發(fā)板已準(zhǔn)備好采樣對(duì)象顏色。如果你沒有蘋果，梨或者橙子，則可能需要通過編輯程序來放置不同的標(biāo)簽。顏色傳感器最好在光線充足的房間中處理粗糙，無光澤的物體，并且每個(gè)類別都必須具有不同的顏色?。伾珎鞲衅鞑⒉皇菂^(qū)分橙色和橘子的理想選擇，但是它可以檢測(cè)到橙子的成熟程度。如果要按形狀對(duì)物體進(jìn)行分類，則可以始終使用相機(jī)。）

當(dāng)Arduino開發(fā)板靠近對(duì)象時(shí)，它將對(duì)顏色進(jìn)行采樣并將其添加到KNN示例中，并帶有標(biāo)記對(duì)象所屬類的數(shù)字（即代表蘋果，橙子或梨的數(shù)字0、1或2）。提供標(biāo)記的示例數(shù)據(jù)的ML技術(shù)也稱為監(jiān)督學(xué)習(xí)。

程序中用于將示例數(shù)據(jù)添加到KNN函數(shù)的代碼如下：

readColor（color）; // Add example color to the KNN modelmyKNN.addExample（color， currentClass）;

顏色樣本的紅色，綠色和藍(lán)色級(jí)別也通過串口輸出：

程序?yàn)槊總€(gè)對(duì)象獲取30個(gè)顏色樣本?？梢韵蚱滹@示一個(gè)對(duì)象，它將對(duì)顏色進(jìn)行30次采樣-本教程不需要30個(gè)蘋果?。ūM管更廣泛的數(shù)據(jù)集將使模型更通用）

分類

通過獲取示例樣品，程序現(xiàn)在將要求猜測(cè)該對(duì)象。該示例的使用與獲取訓(xùn)練數(shù)據(jù)時(shí)是相同的功能讀取顏色傳感器，只是這一次它調(diào)用分類函數(shù)，當(dāng)顯示顏色時(shí)，它將分類對(duì)象類：

readColor（color）; // Classify the object classification = myKNN.classify（color， K）;

您可以嘗試向其顯示一個(gè)對(duì)象，然后查看其效果：

Let me guess your object0.44，0.28，0.28You showed me an Apple

注意：這不是100％準(zhǔn)確的，尤其是在物體表面變化或照明條件變化的情況下。我們也可以嘗試使用不同數(shù)量的實(shí)例、k的值以及不同的對(duì)象和環(huán)境，以查看其如何影響結(jié)果。 KNN如何運(yùn)作？盡管Arduino_KNN庫完成了數(shù)學(xué)運(yùn)算，但在為應(yīng)用程序選擇ML算法時(shí)，了解ML算法的工作原理很有用。簡(jiǎn)而言之，KNN算法通過比較對(duì)象與先前看到的示例的接近程度來對(duì)對(duì)象進(jìn)行分類。下面是一個(gè)示例圖表，其中包含平均每日溫度和濕度數(shù)據(jù)點(diǎn)。每個(gè)示例都標(biāo)有一個(gè)季節(jié)：

為了對(duì)新對(duì)象（圖表上的“？”）進(jìn)行分類，KNN分類器將查找它所看到的最相似的先前示例。由于在我們的示例中有兩個(gè)輸入，因此算法通過計(jì)算新對(duì)象與每個(gè)先前示例之間的距離來實(shí)現(xiàn)此目的。上面最接近的示例標(biāo)記為“Winter”。 KNN中的k只是算法考慮的最接近示例的數(shù)量。在k = 3的情況下，它會(huì)計(jì)算三個(gè)最接近的示例。在上面的圖表中，該算法將對(duì)Spring投2票，對(duì)Winter投1票-因此結(jié)果將變?yōu)镾pring。

KNN的一個(gè)缺點(diǎn)是訓(xùn)練示例數(shù)據(jù)的數(shù)量越大，每次對(duì)對(duì)象進(jìn)行分類時(shí)，KNN算法需要花費(fèi)的檢查時(shí)間就越長。這使得KNN對(duì)于大型數(shù)據(jù)集不太可行，并且是KNN與基于深度學(xué)習(xí)的方法之間的主要區(qū)別。

按顏色分類的對(duì)象

在我們的顏色分類器示例中，來自顏色傳感器的三個(gè)輸入。每個(gè)對(duì)象的示例顏色可被視為位于R、G和B軸上的三維空間中的點(diǎn)。像往常一樣，KNN算法通過檢查輸入與先前看到的示例的接近程度來猜測(cè)對(duì)象，但是由于這次有3個(gè)輸入，因此必須計(jì)算三維空間中的距離。數(shù)據(jù)的維數(shù)越多，計(jì)算分類結(jié)果的工作就越多。

進(jìn)一步的想法

這只是對(duì)KNN可能實(shí)現(xiàn)的快速了解。我們可以在庫示例中找到一個(gè)有關(guān)電路板方向的示例，以及一個(gè)可以繼續(xù)使用的簡(jiǎn)單示例。你也可以將BLE Sense板上的任何傳感器用作輸入，甚至可以將KNN與其他ML技術(shù)結(jié)合使用。

當(dāng)然，還有其他可用于Arduino的機(jī)器學(xué)習(xí)資源，包括TensorFlow Lite教程以及專業(yè)工具（如Edge Impulse和Qeexo）的支持。在接下來我們將更多的在Arduino上探索機(jī)器學(xué)習(xí)。

原文標(biāo)題：使用Arduino KNN進(jìn)行簡(jiǎn)單的機(jī)器學(xué)習(xí)

文章出處：【微信公眾號(hào)：FPGA入門到精通】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq