Bài học và trò chơi học tập

Học máy trên một vi điều khiển

Xây dựng nhận dạng cử chỉ từ đầu bằng Python thuần trên Raspberry Pi 4, rồi xuất mô hình đã huấn luyện thành mảng C cho vi điều khiển.

Khóa học

Học máy trên vi điều khiển là khóa Coding trình độ chuyên sâu gồm bảy bài học. Nhiệm vụ là một vòng đeo tay phân biệt wave (vẫy tay), punch (đấm) và circle (vẽ tròn) từ gia tốc kế. Không có numpy và không có thư viện: mọi mô hình đều viết bằng Python thuần, nên bạn thấy từng con số. Mạch là bản dựng đèn giao thông trong thư viện, một đèn cho mỗi cử động và một nút nhấn để tạo cử động. Mỗi bước đều được kiểm tra với những gì Pi in ra hoặc đèn của nó làm, và mọi con số trong bài học đều là số chương trình thực sự in ra.

  1. Dữ liệu và đặc trưng: các chuỗi (ax, ay, az) thô, sáu đặc trưng (trung bình và độ lệch chuẩn cho mỗi trục), trung bình theo lớp cho thấy sai sót sẽ nằm ở đâu, một phép chia train/test xáo trộn theo tỉ lệ 66/24, và z-score chỉ tính từ tập train.
  2. k láng giềng gần nhất: khoảng cách và bình chọn, 21 trên 24 với k = 3, chọn k mà không nhìn trộm tập test, ma trận nhầm lẫn, vì sao đơn vị đo làm hỏng mô hình chưa chuẩn hóa, và vì sao lưu nguyên tập train tốn kém trên chip.
  3. Cây quyết định: câu hỏi đầu tiên tốt nhất theo độ không thuần khiết Gini, một cây độ sâu 2 in ra dạng luật (22 trên 24), overfitting thấy rõ qua ba cử động bị dán nhãn sai, và cây in ra thành các lệnh if bằng C.
  4. Một neuron: tổng có trọng số và một bước nhảy, trọng số đặt bằng tay, quy tắc perceptron tự học trọng số, tính phân tách tuyến tính và chỗ một neuron bó tay, và một đèn được kích sáng bởi đầu ra của nó.
  5. Huấn luyện trên Pi: softmax và cross-entropy, hạ độ dốc với tổn thất giảm dần theo từng epoch, tốc độ học quá nhỏ và quá lớn, và một mạng nơ-ron 6-4-3 huấn luyện bằng backpropagation (43 tham số).
  6. Trọng số bằng C: các hằng số z-score và trọng số in ra thành mảng C, lượng tử hóa int8 với một hệ số tỷ lệ, kiểm tra rằng mô hình int8 khớp với mô hình float trên mọi cử động test, và hàm classify bằng C.
  7. Trùm: nhận diện cử động: bài tổng kết.

Hồi kết

Trùm huấn luyện khi khởi động, rồi phân loại một cử động mới mỗi lần nhấn nút và bật đèn xanh cho vẫy tay, đỏ cho đấm, vàng cho vẽ tròn. Nó cho thấy một lỗi tự tin (vẽ tròn bị gọi là vẫy tay với độ tin cậy 92 phần trăm), thêm một ngưỡng tin cậy để trả lời "không chắc" với một cử động rung tay mà nó chưa từng được dạy, và tự đo mình trung thực trên 30 cử động từ các seed chưa từng dùng trong huấn luyện: 28 trên 30.

Điểm khác biệt ở đây

  • Cảm biến. Bộ kit danh mục là ESP32 với MPU6050. Thư viện Pi không có mạch gia tốc kế, nên khóa học đọc cử động từ gestures.py, một mô hình cổ tay ngắn gọn, ghi chú rõ ràng, tạo ra các chuỗi dữ liệu hình dáng giống MPU6050 với kích thước, tốc độ, độ nghiêng cổ tay và nhiễu cảm biến khác nhau theo từng người. Các thuật toán và mã C xuất ra đúng như vòng đeo tay thật sẽ dùng; khóa học nói rõ điều đó ở những chỗ quan trọng.
  • Trình mô phỏng. Pi chạy MicroPython 1.29: không có numpy nên vector là list; random có một bộ tạo số ngẫu nhiên duy nhất, nên random.seed làm mọi lần chạy giống hệt nhau; dict không giữ thứ tự, nên các lớp được đánh chỉ số trong list.
  • Nút nhấn bị rung chân như nút thật, nên trùm dùng bounce_time của gpiozero.
  • Không có trình biên dịch C trên Pi: các mảng và hàm C được in ra để bạn dán vào sketch, và khóa học nói thẳng là dừng ở đó.