ST MEMS傳感器內(nèi)嵌機器學(xué)習(xí)核心的優(yōu)勢

???????一旦您熟悉了開發(fā)步驟并掌握了機器學(xué)習(xí)項目中的要點，就能夠開發(fā)有價值的機器學(xué)習(xí)應(yīng)用。此外，意法半導(dǎo)體提供解決方案，以促進(jìn)邊緣機器學(xué)習(xí)得到廣泛應(yīng)用并發(fā)揮全部潛力。本文描述了機器學(xué)習(xí)項目的必要開發(fā)步驟，并介紹了ST MEMS傳感器內(nèi)嵌機器學(xué)習(xí)核心（MLC）的優(yōu)勢。

我們將向用戶介紹特殊機器學(xué)習(xí)模型——決策樹，該模型與機器學(xué)習(xí)核心一起內(nèi)嵌在ST MEMS中。

當(dāng)用戶想要在嵌入式系統(tǒng)中使用機器學(xué)習(xí)或深度學(xué)習(xí)功能時，通?？砂凑找韵挛鍌€步驟進(jìn)行開發(fā)（如下圖）。

步驟1

用戶需要收集用于機器學(xué)習(xí)模型創(chuàng)建的數(shù)據(jù)。該數(shù)據(jù)集的一部分（訓(xùn)練數(shù)據(jù)集）將用于訓(xùn)練模型，另一部分（測試數(shù)據(jù)集）稍后將用于評估所構(gòu)建模型的性能。機器學(xué)習(xí)的數(shù)據(jù)集中典型的拆分比例為：訓(xùn)練數(shù)據(jù)集80%，測試數(shù)據(jù)集20%。

步驟2

用戶需要對數(shù)據(jù)進(jìn)行標(biāo)記；基本上，我們需要告訴機器收集的數(shù)據(jù)屬于哪一類（例如“跑步”、“散步”、“靜止”……）；決策樹是一種模型，基于模型創(chuàng)建者所表現(xiàn)的分類法。

分類指的是根據(jù)您認(rèn)為重要的屬性對數(shù)據(jù)進(jìn)行分組：這種屬性在機器學(xué)習(xí)領(lǐng)域被稱為“類”。

步驟3

用戶使用預(yù)先準(zhǔn)備的數(shù)據(jù)集訓(xùn)練機器學(xué)習(xí)模型。該任務(wù)也稱為“擬合”。訓(xùn)練結(jié)果的準(zhǔn)確性在很大程度上取決于用于訓(xùn)練的數(shù)據(jù)的內(nèi)容和數(shù)量。

步驟4

用戶將訓(xùn)練過的機器學(xué)習(xí)模型嵌入到系統(tǒng)中。對于在計算機上運行的機器學(xué)習(xí)算法，用戶可以利用Python庫直接運行模型。對于在MCU等器件上運行的機器學(xué)習(xí)算法，用戶可以在執(zhí)行之前將該庫轉(zhuǎn)換為C代碼。對于MEMS MLC等硬件連接型解決方案，用戶可以在執(zhí)行之前使用專用軟件UNICO-GUI將庫轉(zhuǎn)換為寄存器設(shè)置。

步驟5

用戶驗證機器學(xué)習(xí)模型。如果驗證結(jié)果與預(yù)期的結(jié)果不匹配，則用戶必須確定上述步驟中需要改進(jìn)的部分，以及如何改進(jìn)。決策樹用于模擬人類在分類過程中的思維方式

在機器學(xué)習(xí)興起之前，決策樹模型就已經(jīng)用于數(shù)據(jù)分類。比如雜志上的性格測試 - 在此類測試中，您要按順序回答多個問題（順序是按照每個問題的分支確定的），之后再根據(jù)結(jié)果推斷您的性格。這是一個典型的決策樹示例。為了創(chuàng)建一個機器學(xué)習(xí)分類模型，需要在每個階段組合多個檢查點（稱為決策結(jié)點）。

在另一個例子中，一位經(jīng)驗豐富的房地產(chǎn)經(jīng)紀(jì)人評估來訪客戶是否會根據(jù)如下圖所示的決策樹購買房產(chǎn)：他將到達(dá)一個最終結(jié)點（或稱“葉子結(jié)點”），并根據(jù)每個決策結(jié)點的條件做出最終決定。

在開發(fā)決策樹之前，必須通過分類算法確定三個要點，即要解決的問題、分類過程中的感興趣參數(shù)（特征值（輸入）），以及要尋找的最終答案（輸出）。在房地產(chǎn)經(jīng)紀(jì)人的例子中，問題是預(yù)測客戶是否會購買房產(chǎn)。答案是客戶是否會購買房產(chǎn)。

總之，合理的特征處理是獲得準(zhǔn)確答案的關(guān)鍵。在這種情況下，特征可以包括客戶的收入、房產(chǎn)的價格、房間的數(shù)量，以及是否有停車位等等。得到的答案很大程度上取決于特征“結(jié)果”或值、特征的順序，以及分類閾值（用于區(qū)分?jǐn)?shù)據(jù)的參考值）。為了通過機器學(xué)習(xí)創(chuàng)建決策樹，開發(fā)人員必須首先指定要使用的特征和閾值。然后，開發(fā)人員可以通過反復(fù)學(xué)習(xí)來改進(jìn)決策樹的結(jié)構(gòu)以獲得更準(zhǔn)確的答案，從而優(yōu)化每個決策結(jié)點上要檢查的特征選擇的順序和分類閾值。

認(rèn)真分析這個結(jié)構(gòu)，該決策樹方法看起來像是傳統(tǒng)的“如果-則-否則”方法，那不同之處在哪里呢？

關(guān)鍵在于，要使用的特征、決策結(jié)點的位置、閾值和決策樹的結(jié)構(gòu)不是由設(shè)計人員“先知先覺”決定的，而是根據(jù)給定的特定數(shù)據(jù)集從ML模型本身“學(xué)習(xí)”來的。事實上，根據(jù)米蘭、東京或上海的房地產(chǎn)數(shù)據(jù)集訓(xùn)練模型（例如，房地產(chǎn)模型）時，可能會得到不同的結(jié)果。

帶有機器學(xué)習(xí)核心的ST MEMS傳感器可以通過嵌入式?jīng)Q策樹推動向邊緣人工智能的過渡。

我們提供LSM6DSOX、LSM6DSO32X、LSM6DSRX和ISM330DHCX（這些器件將MEMS傳感器與3軸加速度計、3軸陀螺儀和MLC集成在一起），以及IIS2ICLX（集成了超高精度2軸加速度傳感器和MLC）。

由于面向機器學(xué)習(xí)分類進(jìn)行了硬件邏輯優(yōu)化且具有出色的傳感器規(guī)格（圖4），帶MLC的MEMS運動傳感器為用戶提供具有低功耗和較高實時精度的個性化嵌入式決策樹（上圖）。MLC可以執(zhí)行相關(guān)決策樹，最多能夠處理32個特征值。意法半導(dǎo)體還提供了開發(fā)環(huán)境，幫助用戶輕松開發(fā)在MLC中運行的決策樹。

用戶可以使用面向機器學(xué)習(xí)開發(fā)的常用平臺（如Weka、RapidMiner、MATLAB和Python（下圖））之一開發(fā)在MLC上運行的決策樹。盡管這些平臺高度靈活且具有多功能性，但是用戶也需要具備足夠的知識和技能才能開發(fā)適合給定用例的決策樹。

為此，意法半導(dǎo)體針對ST MEMS傳感器評估板提供了Unico-GUI全面軟件包，其中包含多個功能，可幫助用戶輕松開發(fā)上傳到MLC中的決策樹。Unico-GUI使用戶能夠輕松、直觀地收集數(shù)據(jù)，并通過簡單易用的GUI來訓(xùn)練、驗證模型。

意法半導(dǎo)體還提供高度通用的評估板，這些板配備多個傳感器，可滿足廣泛的硬件規(guī)格要求（下圖）。意法半導(dǎo)體提供的板件配備支持MLC的MEMS運動傳感器，并且具有支持無線連接、可電池供電、可在SD卡上存儲數(shù)據(jù)等特征，具有高度通用性，可用于廣泛的應(yīng)用（包括汽車、工業(yè)儀表和消費電子設(shè)備）。意法半導(dǎo)體還提供AlgoBuilderSuite PC軟件，該軟件（與Unicleo配合）提供GUI，可以輕松對板件進(jìn)行編程，并由此進(jìn)行數(shù)據(jù)記錄。有了AlgoBuilderSuite，用戶可以輕松、直觀地對傳感器進(jìn)行編程，無需編寫任何代碼。

責(zé)任編輯：haq