機器學(xué)習模型設計過(guò)程和MEMS MLC

開(kāi)發(fā)機器學(xué)習項目的五個(gè)步驟 — 掌握要點(diǎn)，應用并不困難！
邊緣機器學(xué)習具有許多優(yōu)勢。 然而，由于開(kāi)發(fā)方法與標準程序設計方法截然不同，許多機器學(xué)習開(kāi)發(fā)者可能會(huì )擔心自己難以駕馭。
其實(shí)，完全沒(méi)有必要擔心。一旦熟悉了步驟，并掌握了機器學(xué)習項目的要點(diǎn)，就能夠開(kāi)發(fā)具有價(jià)值的機器學(xué)習應用。此外，意法半導體（STMicroelectronics；ST）提供解決方案，以促進(jìn)邊緣機器學(xué)習得到廣泛應用發(fā)揮全部潛力。本文描述機器學(xué)習項目的必要開(kāi)發(fā)步驟，并介紹了ST MEMS傳感器內嵌機器學(xué)習核心（MLC）的優(yōu)勢。



 
圖一 : 嵌入式ST傳感器的機器學(xué)習核心

首先，針對機器學(xué)習模型--判定樹(shù)（Decision Tree），該模型與MLC一起內嵌在ST MEMS中。
當用戶(hù)想要在嵌入式系統中使用機器學(xué)習或深度學(xué)習功能時(shí)，通?？砂凑找韵挛鍌€(gè)步驟進(jìn)行開(kāi)發(fā)（圖二）。



 
圖二 : AI項目開(kāi)發(fā)的五個(gè)步驟

在步驟1中，開(kāi)發(fā)者需要收集機器學(xué)習所需的數據。該數據集的一部分（訓練集）將用于訓練模型，另一部分（測試集）將用于評估所構建模型的性能。機器學(xué)習的數據集中典型的拆分比率為：訓練集80%，測試集20%。
在步驟2中，需要對數據進(jìn)行標注。開(kāi)發(fā)者需要將收集到的數據標注類(lèi)別（例如「跑步」、「散步」、「靜止」等）；而判定樹(shù)是一種基于開(kāi)發(fā)者所決定的分類(lèi)模型。
分類(lèi)則是指根據重要的屬性對數據進(jìn)行分類(lèi)：這種屬性在機器學(xué)習領(lǐng)域被稱(chēng)為「類(lèi)別」。

接下來(lái)，在步驟3中，使用預先準備的數據集訓練機器學(xué)習模型。該任務(wù)亦稱(chēng)為「fitting」。訓練結果的準確性在很大程度上取決于訓練集的內容和數量。
在步驟4，將訓練過(guò)的機器學(xué)習模型嵌入到系統中。用戶(hù)可以利用Pythonlibrary直接運行模型。 對于在MCU等組件上運行的機器學(xué)習算法，開(kāi)發(fā)者可以在執行之前將該library轉換為C程序。 而針對MEMS MLC等硬件連接型解決方案，開(kāi)發(fā)者可以在執行之前使用專(zhuān)用軟件UNICO-GUI將library轉換為register setting。
最后步驟5，驗證機器學(xué)習模型。 如果驗證結果與預期的結果不能匹配，則開(kāi)發(fā)者必須審視上述步驟中需要改進(jìn)的部分，以及如何改進(jìn)。

模擬人類(lèi)在進(jìn)行分類(lèi)的思維方式－判定樹(shù)

在機器學(xué)習興起之前，判定樹(shù)模型就已經(jīng)用于數據分類(lèi)。例如雜志上的性格測試 - 在測試中，您需要依照順序回答多個(gè)問(wèn)題（順序是依照每個(gè)問(wèn)題的分支而決定的），之后再根據結果推斷測試者的性格。這是一個(gè)典型的判定樹(shù)范例。為了創(chuàng )造一個(gè)機器學(xué)習分類(lèi)模型，需要在每個(gè)階段組合多個(gè)檢查點(diǎn)（稱(chēng)為decision node）。

在另一個(gè)例子中，一位經(jīng)驗豐富的房地產(chǎn)經(jīng)紀人評估來(lái)訪(fǎng)客戶(hù)是否會(huì )根據如下圖所示的判定樹(shù)購買(mǎi)房產(chǎn)：他將到達一個(gè)最終節點(diǎn)（或稱(chēng)leaf），并根據每個(gè)node的條件做出最終決定。



 
圖三 : 判定樹(shù)范例（以房地產(chǎn)業(yè)者為例）

在開(kāi)發(fā)判定樹(shù)之前，必須通過(guò)分類(lèi)算法確定三個(gè)要點(diǎn)，即要解決的問(wèn)題、分類(lèi)過(guò)程中感興趣的參數（特征值，即input），以及要尋找的最終答案（即output）。 在房地產(chǎn)經(jīng)紀人的例子中，問(wèn)題是預測客戶(hù)是否會(huì )購買(mǎi)房產(chǎn)。 答案是客戶(hù)是否會(huì )購買(mǎi)房產(chǎn)。

總之，特征處理是獲得準確答案的關(guān)鍵。 在這種情況下，特征可以包括客戶(hù)的收入、房產(chǎn)的價(jià)格、房間的數量，以及是否有停車(chē)位等等。得到的答案很大程度上取決于特征值、特征的順序，以及分類(lèi)閾值（用于區分數據的thresholds）。為了創(chuàng )造機器學(xué)習判定樹(shù)，開(kāi)發(fā)者必須先定義需要的特征和閾值。接著(zhù)可以透過(guò)反復學(xué)習來(lái)改善判定樹(shù)的結構以獲得更準確的答案，進(jìn)而優(yōu)化每個(gè)node的特征選擇順序和分類(lèi)閾值。

判定樹(shù)方法看起來(lái)像是傳統的「if-then-else」方法，那不同之處在哪呢？

關(guān)鍵在于所使用的特征、決策節點(diǎn)的位置、閾值和判定樹(shù)的結構不是由設計人員事先決定的，而是模型根據數據集學(xué)習而來(lái)。 事實(shí)上，若依據米蘭、東京或上海的房地產(chǎn)數據集訓練模型（例如，房地產(chǎn)模型）時(shí)，可能會(huì )得到不同的結果。

走過(guò)AI邊緣裝置的過(guò)渡期－在內建MLC的ST MEMS傳感器上運行嵌入式判定樹(shù)。

ST提供了LSM6DSOX、LSM6DSO32X、LSM6DSRX和ISM330DHCX（這些裝置將MEMS傳感器與3軸加速度計、3軸陀螺儀和MLC整合），以及IIS2ICLX（整合了超高精度2軸加速度傳感器和MLC）。

因應機器學(xué)習分類(lèi)的需求，我們進(jìn)行了硬件邏輯優(yōu)化且具備出色的傳感器規格（圖三），內建MLC的MEMS動(dòng)作傳感器為使用者提供具有低功耗和較高實(shí)時(shí)精度的個(gè)人化嵌入式判定樹(shù)（圖三）。 MLC可以執行高達32個(gè)特征值的判定樹(shù)。 意法半導體也提供了開(kāi)發(fā)環(huán)境，以便開(kāi)發(fā)者輕松開(kāi)發(fā)在MLC中運行的判定樹(shù)。

開(kāi)發(fā)者可以在機器學(xué)習常用平臺（如Weka、RapidMiner、MATLAB和Python（圖四））上進(jìn)行開(kāi)發(fā)。 盡管這些平臺相當靈活且多功能，開(kāi)發(fā)者仍需具備足夠的知識和技能才能妥善開(kāi)發(fā)適合該應用的判定樹(shù)。


 
圖四 : MEMS MCL訓練流程

為此，意法半導體針對ST MEMS傳感器開(kāi)發(fā)板提供了Unico-GUI軟件，其中包含多種特征，便于輕松開(kāi)發(fā)判定樹(shù)并載入至MLC。 Unico-GUI用戶(hù)能夠輕松、直觀(guān)地收集數據，并透過(guò)簡(jiǎn)單易用的GUI來(lái)訓練、驗證模型。

意法半導體推出高度通用、配備多種傳感器的開(kāi)發(fā)板，可滿(mǎn)足廣泛的硬件規格需求（圖5）。 開(kāi)發(fā)板配備支持MLC的MEMS動(dòng)作傳感器，并具有支持無(wú)線(xiàn)連接、可由電池供電、可在SD卡上存儲數據等特點(diǎn)，具有高度通用性，可用于廣泛的應用（包括汽車(chē)、工業(yè)用儀表和消費性電子裝置）。 意法半導體更提供AlgoBuilderSuite PC軟件，該軟件（搭配使用Unicleo）提供GUI，可以輕松在開(kāi)發(fā)板上操作，并進(jìn)行數據搜集。 有了AlgoBuilderSuite，開(kāi)發(fā)者可以輕松、直觀(guān)地對傳感器進(jìn)行程序設計，且無(wú)需編寫(xiě)撰寫(xiě)任何程序。

 
圖五 : 數據收集 – ST軟件與硬件工具