本文旨在為硬件和嵌入式工程師介紹機器學(xué)習(xí) (ML) 的背景，了解它是什么、它是如何工作的、它為何重要以及 TinyML 如何融入其中。

機器學(xué)習(xí)是一個永遠存在且經(jīng)常被誤解的技術(shù)概念。這種實踐是使用復(fù)雜的處理和數(shù)學(xué)技術(shù)使計算機能夠找到大量輸入和輸出數(shù)據(jù)之間的相關(guān)性的科學(xué)，幾十年來一直存在于我們對技術(shù)的集體意識中。近年來，科學(xué)爆炸式增長，得益于以下方面的改進：

計算能力

圖形處理單元 (GPU) 架構(gòu)支持的并行處理

用于大規(guī)模工作負載的云計算

事實上，該領(lǐng)域一直專注于桌面和基于云的使用，以至于許多嵌入式工程師沒有過多考慮 ML 如何影響他們。在大多數(shù)情況下，它沒有。

然而，隨著TinyML或微型機器學(xué)習(xí)（在微控制器和單板計算機等受限設(shè)備上的機器學(xué)習(xí)）的出現(xiàn)，ML 已經(jīng)與所有類型的工程師相關(guān)，包括從事嵌入式應(yīng)用程序的工程師。除此之外，即使您熟悉 TinyML，對一般機器學(xué)習(xí)有一個具體的了解也很重要。

在本文中，我將概述機器學(xué)習(xí)、它的工作原理以及它對嵌入式工程師的重要性。

什么是機器學(xué)習(xí)？

作為人工智能 (AI) 領(lǐng)域的一個子集，機器學(xué)習(xí)是一門專注于使用數(shù)學(xué)技術(shù)和大規(guī)模數(shù)據(jù)處理來構(gòu)建可以找到輸入和輸出數(shù)據(jù)之間關(guān)系的程序的學(xué)科。作為一個總稱，人工智能涵蓋了計算機科學(xué)中的一個廣泛領(lǐng)域，專注于使機器能夠在沒有人工干預(yù)的情況下“思考”和行動。它涵蓋了從“通用智能”或機器以與人類相同的方式思考和行動的能力，到專門的、面向任務(wù)的智能，這是 ML 的范疇。

我聽說過去定義 ML 的最強大的方法之一是與經(jīng)典計算機編程中使用的傳統(tǒng)算法方法進行比較。在經(jīng)典計算中，工程師向計算機提供輸入數(shù)據(jù)——例如數(shù)字 2 和 4——以及將它們轉(zhuǎn)換為所需輸出的算法——例如，將 x 和 y 相乘得到 z。當(dāng)程序運行時，會提供輸入，然后應(yīng)用算法來產(chǎn)生輸出。這可以在圖 1 中看到。

圖 1.在經(jīng)典方法中，我們向計算機提供輸入數(shù)據(jù)和算法并要求答案。

另一方面，ML 是向計算機呈現(xiàn)一組輸入和輸出并要求計算機識別“算法”（或模型，使用 ML 術(shù)語）每次將這些輸入轉(zhuǎn)換為輸出的過程。通常，這需要大量輸入以確保模型每次都能正確識別正確的輸出。

例如，在圖 2 中，如果我向 ML 系統(tǒng)提供數(shù)字 2 和 2 以及預(yù)期輸出 4，它可能會決定算法總是將這兩個數(shù)字相加。但是，如果我隨后提供數(shù)字 2 和 4 以及預(yù)期輸出 8，模型將從兩個示例中了解到正確的方法是將兩個提供的數(shù)字相乘。

圖 2.使用 ML，我們擁有數(shù)據(jù)（輸入）和答案（輸出），并且需要計算機通過確定輸入和輸出如何以適用于整個數(shù)據(jù)集的方式關(guān)聯(lián)來推導(dǎo)各種算法。

鑒于我正在使用一個簡單的示例來定義一個復(fù)雜的字段，此時您可能會問：為什么要費心將簡單的字段復(fù)雜化？為什么不堅持我們經(jīng)典的算法計算方法？

答案是傾向于機器學(xué)習(xí)的這類問題通常不能通過純粹的算法方法來表達。沒有簡單的算法可以給計算機一張圖片并要求它確定其中是否包含貓或人臉。相反，我們利用 ML 并為其提供數(shù)千張包含貓和人臉的圖片（作為像素集合），兩者都沒有，并且通過學(xué)習(xí)如何將這些像素和像素組與預(yù)期輸出相關(guān)聯(lián)來開發(fā)模型。當(dāng)機器看到新數(shù)據(jù)時，它會根據(jù)之前看到的所有示例推斷輸出。這部分過程，通常稱為預(yù)測或推理，是機器學(xué)習(xí)的魔力。

這聽起來很復(fù)雜，因為它是。在嵌入式和物聯(lián)網(wǎng) (IoT) 系統(tǒng)的世界中，機器學(xué)習(xí)越來越多地被用于幫助機器視覺、異常檢測和預(yù)測性維護等領(lǐng)域。在每個領(lǐng)域，我們收集大量數(shù)據(jù)——圖像和視頻、加速度計讀數(shù)、聲音、熱量和溫度——用于監(jiān)控設(shè)施、環(huán)境或機器。然而，我們經(jīng)常難以將這些數(shù)據(jù)轉(zhuǎn)化為我們可以采取行動的洞察力。條形圖很好，但是當(dāng)我們真正想要的是能夠在機器中斷和離線之前預(yù)測機器需要服務(wù)的能力時，簡單的算法方法是行不通的。

機器學(xué)習(xí)開發(fā)循環(huán)

進入機器學(xué)習(xí)。在有能力的數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)工程師的指導(dǎo)下，這個過程從數(shù)據(jù)開始。也就是說，我們的嵌入式系統(tǒng)創(chuàng)建的海量數(shù)據(jù)。ML 開發(fā)過程的第一步是收集數(shù)據(jù)并在將其輸入模型之前對其進行標記。標簽是一個關(guān)鍵的分類步驟，也是我們將一組輸入與預(yù)期輸出相關(guān)聯(lián)的方式。

ML 中的標簽和數(shù)據(jù)收集

例如，一組加速度計 x、y 和 z 值可能對應(yīng)于機器處于空閑狀態(tài)，另一組可能表示機器運行良好，第三組可能對應(yīng)于問題。在圖 3 中可以看到高級描述。

圖 3.ML 工程師在數(shù)據(jù)收集過程中使用標簽對數(shù)據(jù)集進行分類。

數(shù)據(jù)收集和標記是一個耗時的過程，但對于正確處理至關(guān)重要。雖然 ML 領(lǐng)域有幾項創(chuàng)新利用預(yù)訓(xùn)練模型來抵消一些工作和新興工具來簡化從真實系統(tǒng)中收集數(shù)據(jù)，但這是一個不能跳過的步驟。世界上沒有任何機器學(xué)習(xí)模型能夠可靠地告訴您您的機器或設(shè)備是否運行良好或即將發(fā)生故障，而無需查看來自該機器或其他類似機器的實際數(shù)據(jù)。

機器學(xué)習(xí)模型開發(fā)、訓(xùn)練、測試、提煉

數(shù)據(jù)收集后，接下來的步驟是模型開發(fā)、訓(xùn)練、測試和細化。這個階段是數(shù)據(jù)科學(xué)家或工程師創(chuàng)建一個程序，該程序攝取大量收集的輸入數(shù)據(jù)，并使用一種或多種方法將其轉(zhuǎn)換為預(yù)期的輸出。解釋這些方法可以填滿卷，但足以說明大多數(shù)模型對其輸入執(zhí)行一組轉(zhuǎn)換（例如，向量和矩陣乘法）。此外，他們將相互調(diào)整每個輸入的權(quán)重，以找到一組與預(yù)期輸出可靠相關(guān)的權(quán)重和函數(shù)。

該過程的這個階段通常是迭代的。工程師將調(diào)整模型、使用的工具和方法，以及在模型訓(xùn)練期間運行的迭代次數(shù)和其他參數(shù)，以構(gòu)建能夠可靠地將輸入數(shù)據(jù)與正確輸出（也稱為標簽）相關(guān)聯(lián)的東西。一旦工程師對這種相關(guān)性感到滿意，他們就會使用訓(xùn)練中未使用的輸入來測試模型，以了解模型在未知數(shù)據(jù)上的表現(xiàn)。如果模型在這個新數(shù)據(jù)上表現(xiàn)不佳，工程師會重復(fù)循環(huán)，如圖 4 所示，并進一步細化模型。

圖 4.模型開發(fā)是一個包含許多步驟的迭代過程，但它從數(shù)據(jù)收集開始。

一旦模型準備就緒，它就會被部署并可用于針對新數(shù)據(jù)進行實時預(yù)測。在傳統(tǒng) ML 中，模型被部署到云服務(wù)中，以便它可以被正在運行的應(yīng)用程序調(diào)用，該應(yīng)用程序提供所需的輸入并從模型接收輸出。應(yīng)用程序可能會提供一張圖片并詢問是否有人在場或一組加速度計讀數(shù)，并詢問模型這組讀數(shù)是否對應(yīng)于空閑、運行或損壞的機器。

正是在這個過程中，TinyML 如此重要且如此具有開創(chuàng)性。

那么 TinyML 適合在哪里呢？

如果還不清楚，機器學(xué)習(xí)是一個數(shù)據(jù)密集型過程。當(dāng)您嘗試通過相關(guān)性導(dǎo)出模型時，您需要大量數(shù)據(jù)來提供該模型。數(shù)百個圖像或數(shù)千個傳感器讀數(shù)。事實上，模型訓(xùn)練的過程是如此密集、如此專業(yè)，以至于幾乎任何中央處理單元 (CPU)都會占用大量資源，無論它的性能如何。相反，在 ML 中如此常見的向量和矩陣數(shù)學(xué)運算與圖形處理應(yīng)用程序沒有什么不同，這就是為什么 GPU 已成為模型開發(fā)如此受歡迎的選擇。

鑒于對強大計算的需求，云已成為卸載訓(xùn)練模型工作并托管它們以進行實時預(yù)測的事實上的場所。雖然模型訓(xùn)練是并且仍然是云的領(lǐng)域，特別是對于嵌入式和物聯(lián)網(wǎng)應(yīng)用程序，但我們越能將實時預(yù)測的能力轉(zhuǎn)移到捕獲數(shù)據(jù)的地方，我們的系統(tǒng)就會越好。在微控制器上運行模型時，我們獲得了內(nèi)置安全性和低延遲的好處，以及在本地環(huán)境中做出決策和采取行動的能力，而無需依賴互聯(lián)網(wǎng)連接。

這是 TinyML 的領(lǐng)域，Edge Impulse等平臺公司正在構(gòu)建基于云的傳感器數(shù)據(jù)收集工具和 ML 架構(gòu)，以輸出專為微控制器單元 (MCU)構(gòu)建的緊湊、高效模型。從STMicroelectronics到Alif Semiconductor，越來越多的芯片供應(yīng)商正在構(gòu)建具有類似 GPU 計算能力的芯片，這使得它們非常適合在收集數(shù)據(jù)的地方與傳感器一起運行 ML 工作負載。

對于嵌入式和物聯(lián)網(wǎng)工程師來說，現(xiàn)在正是探索機器學(xué)習(xí)世界的最佳時機，從云到最小的設(shè)備。我們的系統(tǒng)只會變得越來越復(fù)雜，處理的數(shù)據(jù)比以往任何時候都多。將 ML 帶到邊緣意味著我們可以處理這些數(shù)據(jù)并更快地做出決策。

審核編輯 黃昊宇