什么是機(jī)器學(xué)習(xí)？機(jī)器學(xué)習(xí)基礎(chǔ)介紹

本文旨在為硬件和嵌入式工程師介紹機(jī)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(jī)器學(xué)習(xí)是一個永遠(yuǎn)存在且經(jīng)常被誤解的技術(shù)概念。這種實(shí)踐是使用復(fù)雜的處理和數(shù)學(xué)技術(shù)使計(jì)算機(jī)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(jìn)：

計(jì)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(fù)載的云計(jì)算

事實(shí)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(jī)器學(xué)習(xí)（在微控制器和單板計(jì)算機(jī)等受限設(shè)備上的機(jī)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(jī)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(jī)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(jī)器學(xué)習(xí)？

作為人工智能 (AI) 領(lǐng)域的一個子集，機(jī)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(jì)算機(jī)科學(xué)中的一個廣泛領(lǐng)域，專注于使機(jī)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(jī)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(qiáng)大的方法之一是與經(jīng)典計(jì)算機(jī)編程中使用的傳統(tǒng)算法方法進(jìn)行比較。在經(jīng)典計(jì)算中，工程師向計(jì)算機(jī)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(yùn)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(jì)算機(jī)提供輸入數(shù)據(jù)和算法并要求答案。

另一方面，ML 是向計(jì)算機(jī)呈現(xiàn)一組輸入和輸出并要求計(jì)算機(jī)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(jì)算機(jī)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(fèi)心將簡單的字段復(fù)雜化？為什么不堅(jiān)持我們經(jīng)典的算法計(jì)算方法？

答案是傾向于機(jī)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(dá)。沒有簡單的算法可以給計(jì)算機(jī)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(jī)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(jī)器學(xué)習(xí)的魔力。

這聽起來很復(fù)雜，因?yàn)樗恰Ｔ谇度胧胶?a target="_blank">物聯(lián)網(wǎng) (IoT) 系統(tǒng)的世界中，機(jī)器學(xué)習(xí)越來越多地被用于幫助機(jī)器視覺、異常檢測和預(yù)測性維護(hù)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(jì)讀數(shù)、聲音、熱量和溫度——用于監(jiān)控設(shè)施、環(huán)境或機(jī)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(jī)器中斷和離線之前預(yù)測機(jī)器需要服務(wù)的能力時，簡單的算法方法是行不通的。

機(jī)器學(xué)習(xí)開發(fā)循環(huán)

進(jìn)入機(jī)器學(xué)習(xí)。在有能力的數(shù)據(jù)科學(xué)家和機(jī)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(jìn)行標(biāo)記。標(biāo)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(biāo)簽和數(shù)據(jù)收集

例如，一組加速度計(jì) x、y 和 z 值可能對應(yīng)于機(jī)器處于空閑狀態(tài)，另一組可能表示機(jī)器運(yùn)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(biāo)簽對數(shù)據(jù)集進(jìn)行分類。

數(shù)據(jù)收集和標(biāo)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(xiàng)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(shí)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(jī)器學(xué)習(xí)模型能夠可靠地告訴您您的機(jī)器或設(shè)備是否運(yùn)行良好或即將發(fā)生故障，而無需查看來自該機(jī)器或其他類似機(jī)器的實(shí)際數(shù)據(jù)。

機(jī)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(xì)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(yùn)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(biāo)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(jìn)一步細(xì)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(zhǔn)備就緒，它就會被部署并可用于針對新數(shù)據(jù)進(jìn)行實(shí)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(yùn)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(jì)讀數(shù)，并詢問模型這組讀數(shù)是否對應(yīng)于空閑、運(yùn)行或損壞的機(jī)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(jī)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(shí)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(yùn)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(qiáng)大計(jì)算的需求，云已成為卸載訓(xùn)練模型工作并托管它們以進(jìn)行實(shí)時預(yù)測的事實(shí)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(shí)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(yùn)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(jì)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(yùn)行 ML 工作負(fù)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(jī)器學(xué)習(xí)世界的最佳時機(jī)，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