Lecciones y el juego de aprendizaje

Aprendizaje automático en un microcontrolador

Construye reconocimiento de gestos desde cero en Python puro sobre una Raspberry Pi 4, y luego exporta el modelo entrenado como arreglos de C para un microcontrolador.

El curso

Aprendizaje automático en un microcontrolador es un curso de Programación de nivel experto en siete lecciones. La tarea es una pulsera que distingue un saludo, un puñetazo y un círculo a partir de un acelerómetro. No hay numpy ni ninguna biblioteca: cada modelo está escrito en Python puro, así que ves cada número. El circuito es el semáforo de la galería, una lámpara por gesto y un botón para hacer uno. Cada paso se comprueba contra lo que imprime la Pi o lo que hacen sus lámparas, y cada número de las lecciones es uno que el programa imprime de verdad.

  1. Datos y características: trazas crudas (ax, ay, az), seis características (media y desviación estándar por eje), promedios por clase que muestran dónde estarán los errores, una división 66/24 entre entrenamiento y prueba barajada, y z-scores calculados solo con el conjunto de entrenamiento.
  2. k vecinos más cercanos: distancia y votos, 21 de 24 con k = 3, cómo elegir k sin espiar el conjunto de prueba, una matriz de confusión, por qué las unidades arruinan un modelo sin escalar, y por qué guardar todo el conjunto de entrenamiento cuesta caro en un chip.
  3. Árboles de decisión: la mejor primera pregunta según la impureza de Gini, un árbol de profundidad 2 impreso como reglas (22 de 24), el sobreajuste hecho visible con tres gestos mal etiquetados, y el árbol impreso como ifs de C.
  4. Una neurona: una suma ponderada y un escalón, pesos ajustados a mano, la regla del perceptrón aprendiéndolos, separabilidad lineal y dónde una neurona se rinde, y una lámpara que se enciende con su salida.
  5. Entrenamiento en la Pi: softmax y entropía cruzada, descenso por gradiente con la pérdida cayendo época tras época, tasas de aprendizaje demasiado pequeñas y demasiado grandes, y una red neuronal 6-4-3 entrenada por retropropagación (43 parámetros).
  6. Pesos en C: las constantes de los z-scores y los pesos impresos como arreglos de C, cuantización a int8 con una sola escala, una comprobación de que el modelo int8 coincide con el modelo de flotantes en cada gesto de prueba, y la función de clasificación en C.
  7. Jefe final: reconocimiento de gestos: el final.

El gran final

El jefe final entrena al arrancar, luego clasifica un gesto nuevo con cada presión del botón y enciende el verde para un saludo, el rojo para un puñetazo y el ámbar para un círculo. Muestra un error confiado (un círculo llamado saludo al 92 por ciento), agrega un umbral de confianza que responde "no estoy seguro" ante un temblequeo que nunca se le enseñó, y se mide con honestidad con 30 gestos de semillas que ninguna parte del entrenamiento usó jamás: 28 de 30.

Qué es distinto aquí

  • El sensor. El kit del catálogo es un ESP32 con un MPU6050. La galería de la Pi no tiene circuito de acelerómetro, así que el curso lee sus gestos desde gestures.py, un modelo corto y claramente etiquetado de una muñeca que genera trazas con forma de MPU6050 con tamaño, velocidad, inclinación de muñeca y ruido del sensor por persona. Los algoritmos y el C exportado son exactamente los que usaría la pulsera real; el curso lo dice donde importa.
  • El motor. La Pi corre MicroPython 1.29: no hay numpy, así que los vectores son listas; random tiene un solo generador, así que random.seed hace que cada corrida sea igual; los dicts no conservan el orden, así que las clases son índices de lista.
  • El botón rebota como uno real, así que el jefe final usa bounce_time de gpiozero.
  • Sin compilador de C en la Pi: los arreglos y la función en C se imprimen para que los pegues en un sketch, y el curso es honesto en que se detiene ahí.