?

本文旨在為硬件和嵌入式工程師提供機器學(xué)習(xí)(ML)的背景，它是什么，它是如何工作的，它為什么重要，以及 TinyML 是如何適應(yīng)的

機器學(xué)習(xí)是一個始終存在并經(jīng)常被誤解的技術(shù)概念。數(shù)十年來，使用復(fù)雜處理和數(shù)學(xué)技術(shù)使計算機能夠發(fā)現(xiàn)大量輸入和輸出數(shù)據(jù)之間的相關(guān)性的實踐一直存在于我們對技術(shù)的集體意識中。近年來，隨著以下方面的進步，科學(xué)技術(shù)得到了迅猛發(fā)展:

計算能力

由圖形處理器(gpU)架構(gòu)啟用的并行處理

面向大規(guī)模工作負(fù)載的云計算

事實上，這個領(lǐng)域已經(jīng)如此專注于桌面和基于云計算的應(yīng)用，以至于許多嵌入式工程師沒有太多考慮機器學(xué)習(xí)如何影響他們。大多數(shù)情況下，并沒有。

然而，隨著 TinyML 或微型機器學(xué)習(xí)(在微控制器和單板計算機等受限設(shè)備上的機器學(xué)習(xí))的出現(xiàn)，機器學(xué)習(xí)已經(jīng)與所有類型的工程師相關(guān)，包括那些從事嵌入式應(yīng)用的工程師。此外，即使您熟悉 TinyML，對機器學(xué)習(xí)有一個通用的具體理解也是很重要的。

在本文中，我將概述機器學(xué)習(xí)，它是如何工作的，以及為什么它對嵌入式工程師很重要。

什么是機器學(xué)習(xí)？

機器學(xué)習(xí)是人工智能(AI)領(lǐng)域的一個子集，是一門利用數(shù)學(xué)技術(shù)和大規(guī)模數(shù)據(jù)處理來構(gòu)建程序，以發(fā)現(xiàn)輸入和輸出數(shù)據(jù)之間關(guān)系的學(xué)科。作為一個總括性的術(shù)語，人工智能涵蓋了計算機科學(xué)的廣泛領(lǐng)域，其重點是使機器能夠在沒有人類干預(yù)的情況下“思考”和行動。它涵蓋了一切，從“一般智能”或機器按照人類的方式思考和行動的能力，到專門的、面向任務(wù)的智能，這就是機器學(xué)習(xí)的范疇。

我過去聽到的機器學(xué)習(xí)定義的最強大的方法之一是與傳統(tǒng)的、用于經(jīng)典計算機編程的算法方法相比較。在經(jīng)典計算中，工程師向計算機提供輸入數(shù)據(jù)ーー例如，數(shù)字2和4ーー以及將它們轉(zhuǎn)換為所需輸出的算法ーー例如，用 x 和 y 乘以 z。當(dāng)程序運行時，提供輸入，并應(yīng)用該算法產(chǎn)生輸出。

?

在一個經(jīng)典的方法中，我們向計算機提供輸入數(shù)據(jù)和算法，并要求得到答案

另一方面，機器學(xué)習(xí)是向計算機提供一組輸入和輸出，并要求計算機識別“算法”(或用機器學(xué)習(xí)的說法稱為模型)的過程，這種算法每次都將這些輸入轉(zhuǎn)化為輸出。通常，這需要大量的輸入，以確保模型每次都能正確地識別正確的輸出。

例如，如果我向 ML 系統(tǒng)提供數(shù)字2和2以及預(yù)期的輸出4，它可能會決定該算法總是將這兩個數(shù)字相加。但是，如果我然后提供數(shù)字2和4以及8的預(yù)期輸出，模型將從兩個例子中學(xué)到，正確的方法是將提供的兩個數(shù)字相乘。

?

有了機器學(xué)習(xí)，我們就有了數(shù)據(jù)(輸入)和答案(輸出) ，并且需要計算機通過確定輸入和輸出如何以對整個數(shù)據(jù)集為真的方式相互關(guān)聯(lián)來推導(dǎo)出一種排序算法

假設(shè)我使用一個簡單的示例來定義一個復(fù)雜的字段，那么您可能會問: 為什么一個人要費心將不復(fù)雜的字段復(fù)雜化呢？為什么不堅持我們經(jīng)典的算法計算方法呢？

答案是，傾向于機器學(xué)習(xí)的一類問題往往不能通過純算法的方法來表達。沒有一種簡單的算法可以給計算機一張圖片，然后讓計算機判斷圖片中是否包含貓或人臉。相反，我們利用機器學(xué)習(xí)，給它數(shù)以千計的圖片(作為像素的集合)與貓，和人的臉，兩者都沒有，和一個模型開發(fā)通過學(xué)習(xí)如何關(guān)聯(lián)這些像素和像素組與預(yù)期的輸出。當(dāng)機器看到新的數(shù)據(jù)時，它會根據(jù)之前看到的所有示例推斷出一個輸出。這部分過程，通常稱為預(yù)測或推斷，是機器學(xué)習(xí)的魔力。

聽起來很復(fù)雜，因為事實就是如此。在嵌入式和物聯(lián)網(wǎng)(IoT)系統(tǒng)領(lǐng)域，機器學(xué)習(xí)越來越多地被用于機器視覺、異常檢測和預(yù)測性維護等領(lǐng)域。在每一個區(qū)域中，我們收集大量的數(shù)據(jù)ーー圖像和視頻、加速度計讀數(shù)、聲音、熱量和溫度ーー用于監(jiān)測設(shè)施、環(huán)境或機器。然而，我們常常很難將這些數(shù)據(jù)轉(zhuǎn)化為我們可以采取行動的洞察力。條形圖固然不錯，但是如果我們真正想要的是能夠在機器故障和脫機之前預(yù)測到它需要服務(wù)，那么簡單的算法方法是不行的。

機器學(xué)習(xí)開發(fā)回路

進入機器學(xué)習(xí)。在有能力的數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)工程師的指導(dǎo)下，這個過程從數(shù)據(jù)開始。也就是說，我們嵌入式系統(tǒng)產(chǎn)生的大量數(shù)據(jù)。機器學(xué)習(xí)開發(fā)過程的第一步是收集數(shù)據(jù)，并在數(shù)據(jù)輸入模型之前對其進行標(biāo)記。標(biāo)記是一個關(guān)鍵的分類步驟，也是我們將一組輸入與預(yù)期輸出關(guān)聯(lián)起來的方式。

機器學(xué)習(xí)中的標(biāo)記與數(shù)據(jù)采集

例如，一組加速度計 x、 y 和 z 值可能對應(yīng)于機器處于空閑狀態(tài)，另一組可能意味著機器運行良好，第三組可能對應(yīng)于問題。在中可以看到一個高級描述。

?

數(shù)據(jù)收集和標(biāo)記是一個耗時的過程，但對于正確處理數(shù)據(jù)至關(guān)重要。雖然機器學(xué)習(xí)領(lǐng)域有一些創(chuàng)新，利用預(yù)先訓(xùn)練的模型來抵消一些工作和新興的工具來簡化從實際系統(tǒng)收集數(shù)據(jù)，但這是一個不容忽視的步驟。世界上沒有任何機器學(xué)習(xí)模型能夠可靠地告訴你，你的機器或設(shè)備是否運行良好，或者在沒有看到來自該機器或其他類似機器的實際數(shù)據(jù)的情況下即將崩潰。

機器學(xué)習(xí)模型的開發(fā)、訓(xùn)練、測試、提煉

數(shù)據(jù)收集之后，接下來的步驟是模型開發(fā)、培訓(xùn)、測試和細化。在這個階段，數(shù)據(jù)科學(xué)家或工程師創(chuàng)建一個程序，該程序接收收集到的大量輸入數(shù)據(jù)，并使用一種或多種方法將其轉(zhuǎn)換為預(yù)期的輸出。解釋這些方法可以填滿容量，但是只要說明大多數(shù)模型對其輸入執(zhí)行一組轉(zhuǎn)換(例如，向量和矩陣乘法)就足夠了。此外，他們還將調(diào)整每個輸入的權(quán)重，以便找到一組與預(yù)期輸出可靠相關(guān)的權(quán)重和函數(shù)。

過程的這個階段通常是迭代的。工程師將調(diào)整模型、工具和使用的方法，以及在模型訓(xùn)練期間運行的迭代次數(shù)和其他參數(shù)，以建立可靠的輸入數(shù)據(jù)與正確輸出(即標(biāo)簽)的關(guān)聯(lián)。一旦工程師對這種相關(guān)性感到滿意，他們就使用訓(xùn)練中未使用的輸入來測試模型，以了解模型在未知數(shù)據(jù)上的表現(xiàn)。如果模型在這個新數(shù)據(jù)上表現(xiàn)不佳，工程師會重復(fù)所示的循環(huán)，并進一步細化模型。

?

一旦模型準(zhǔn)備就緒，就可以部署它并對新數(shù)據(jù)進行實時預(yù)測。在傳統(tǒng)的機器學(xué)習(xí)中，模型被部署到云服務(wù)中，以便運行中的應(yīng)用程序可以調(diào)用它，該應(yīng)用程序提供所需的輸入并接收來自模型的輸出。應(yīng)用程序可能會提供一張圖片，詢問是否有人在場，或者詢問一組加速計讀數(shù)，并詢問模型這組讀數(shù)是否與一臺空閑的、正在運行的或壞掉的機器相對應(yīng)。

在這個過程中 TinyML 是如此重要，如此開創(chuàng)性。

那么 TinyML 適合哪里呢？

如果還不清楚的話，機器學(xué)習(xí)是一個數(shù)據(jù)密集型的過程。當(dāng)您試圖通過相關(guān)性獲得模型時，需要大量數(shù)據(jù)來為該模型提供信息。數(shù)以百計的圖像或數(shù)以千計的傳感器讀數(shù)。事實上，模型訓(xùn)練的過程是如此密集，如此專業(yè)化，以至于幾乎任何中央處理器(CPU)都要占用大量的資源，無論它有多高性能。相反，在機器學(xué)習(xí)中非常常見的向量和矩陣數(shù)學(xué)操作與圖形處理應(yīng)用程序并無不同，這就是為什么 GPU 已經(jīng)成為模型開發(fā)的流行選擇。

鑒于對強大計算能力的需求，云已經(jīng)成為事實上卸載訓(xùn)練模型工作并托管它們進行實時預(yù)測的場所。雖然模型訓(xùn)練仍然是云計算的領(lǐng)域，特別是對于嵌入式和物聯(lián)網(wǎng)應(yīng)用程序，但是我們越能夠?qū)崟r預(yù)測數(shù)據(jù)捕獲的位置，我們的系統(tǒng)就會越好。當(dāng)我們在微控制器上運行模型時，我們獲得了內(nèi)置安全性和低延遲的好處，以及在本地環(huán)境下做決定和采取行動的能力，而不需要依賴互聯(lián)網(wǎng)連接。

這是 TinyML 的領(lǐng)域，像 Edge Impulse 這樣的平臺公司正在構(gòu)建基于云的傳感器數(shù)據(jù)收集工具和機器學(xué)習(xí)架構(gòu)，這些架構(gòu)輸出為微控制器單元(MCU)專門設(shè)計的緊湊、高效的模型。從意法半導(dǎo)體到阿里夫半導(dǎo)體(Alif Semiconductor) ，越來越多的硅廠商正在制造具有類似于 gpu 的計算能力的芯片，這使得它們能夠完美地在傳感器旁邊運行機器學(xué)習(xí)工作負(fù)載，而這正是數(shù)據(jù)收集的地方。

對于嵌入式和物聯(lián)網(wǎng)工程師來說，現(xiàn)在是探索機器學(xué)習(xí)世界的最佳時機，從云到最小的設(shè)備。我們的系統(tǒng)越來越復(fù)雜，處理的數(shù)據(jù)也越來越多。把機器學(xué)習(xí)帶到邊緣意味著我們可以處理這些數(shù)據(jù)，更快地做出決定。

　　審核編輯：湯梓紅