Dersler ve öğrenme oyunu

Bir mikrodenetleyicide makine öğrenmesi

Bir Raspberry Pi 4 üzerinde düz Python ile sıfırdan jest tanıma oluştur, sonra eğitilmiş modeli bir mikrodenetleyici için C dizileri olarak dışa aktar.

Kurs

Mikrodenetleyicide makine öğrenmesi, yedi derslik bir uzman Kodlama kursudur. Görev, bir ivmeölçerden el sallamayı, yumruk atmayı ve daire çizmeyi ayırt eden bir bilekliktir. Ne numpy ne de kütüphane vardır: her model düz Python ile yazılır, böylece her sayıyı görürsün. Devre, galerideki trafik ışığı yapımıdır: her hareket için bir lamba ve bir hareket yapmak için bir buton. Her adım, Pi'nin yazdırdığı ya da lambalarının yaptığı şeyle karşılaştırılarak denetlenir ve derslerdeki her sayı, programın gerçekten yazdırdığı bir sayıdır.

  1. Veri ve öznitelikler: ham (ax, ay, az) izler, altı öznitelik (eksen başına ortalama ve standart sapma), hataların nerede olacağını gösteren sınıf ortalamaları, karıştırılmış 66/24 eğitim ve test ayrımı ve yalnızca eğitim kümesinden hesaplanan z puanları.
  2. En yakın k komşu: uzaklık ve oylama, k = 3 ile 24'ün 21'i, test kümesine bakmadan k seçme, bir karışıklık matrisi, birimlerin ölçeklenmemiş bir modeli neden mahvettiği ve tüm eğitim kümesini saklamanın bir çipte neden pahalı olduğu.
  3. Karar ağaçları: Gini safsızlığıyla en iyi ilk soru, kurallar olarak yazdırılan derinliği 2 olan bir ağaç (24'ün 22'si), yanlış etiketlenmiş üç hareketle görünür kılınan aşırı öğrenme ve if deyimleriyle C olarak yazdırılan ağaç.
  4. Bir nöron: ağırlıklı bir toplam ve bir eşik, elle ayarlanan ağırlıklar, onları öğrenen algılayıcı kuralı, doğrusal ayrışabilme ve tek bir nöronun nerede pes ettiği, ve çıktısıyla yanan bir lamba.
  5. Pi üzerinde eğitim: softmax ve çapraz entropi, kaybın devir devir düştüğü gradyan inişi, çok küçük ve çok büyük öğrenme oranları ve geri yayılımla eğitilen bir 6-4-3 sinir ağı (43 parametre).
  6. C'de ağırlıklar: z puanı sabitleri ve ağırlıkların C dizileri olarak yazdırılması, tek bir ölçekle int8 niceleme, int8 modelin float modelle her test hareketinde aynı sonucu verdiğinin denetlenmesi ve C sınıflandırma fonksiyonu.
  7. Patron: hareket tanıma: final.

Final

Patron açılışta eğitilir, sonra butonun her basışında taze bir hareketi sınıflandırır ve el sallama için yeşili, yumruk için kırmızıyı, daire için kehribar rengini yakar. Kendinden emin bir hata gösterir (%92 olasılıkla daireyi el sallama diye bilme), hiç öğretilmemiş bir sallanmaya "emin değilim" diye yanıt veren bir güven eşiği ekler ve kendisini, eğitimin hiçbir parçasının hiç kullanmadığı tohumlardan gelen 30 hareketle dürüstçe ölçer: 30'un 28'i.

Burada farklı olan ne

  • Sensör. Katalog kiti, MPU6050'li bir ESP32'dir. Pi galerisinde ivmeölçer devresi yoktur, bu yüzden kurs hareketlerini gestures.py dosyasından okur: kişiye göre boyut, hız, bilek eğimi ve sensör gürültüsüyle MPU6050 biçiminde izler üreten, kısa ve açıkça etiketlenmiş bir bilek modeli. Algoritmalar ve dışa aktarılan C kodu, gerçek bilekliğin kullanacağı şeylerin ta kendisidir; kurs bunu önemli olduğu yerlerde söyler.
  • Motor. Pi, MicroPython 1.29 çalıştırır: numpy yoktur, yani vektörler listelerdir; random tek bir üretece sahiptir, yani random.seed her çalıştırmayı aynı yapar; dict'ler sırayı korumaz, yani sınıflar liste indeksleridir.
  • Buton gerçek bir buton gibi zıplama yapar, bu yüzden patron gpiozero'nun bounce_time özelliğini kullanır.
  • Pi üzerinde C derleyicisi yok: C dizileri ve fonksiyon, bir koda yapıştırman için yazdırılır ve kurs orada durduğunu dürüstçe söyler.