Edge

本文用到的Mathematica notebook源码可以在这里下载 为什么写这篇文章 从目前的市场环境看，有很多大型公司都在提倡人工智能的发展，然而绝大部分我们能看到的AI的应用就是智能小车，自动驾驶，图像识别，行为预测，医疗辅助，智能推荐系统，语音识别，图像与语音生成，在这些应用中，很少会与大规模工业领域有交集，原因就在于机器学习运算的成本。 首先像工业领域的机器学习的推演预测，第一个要保证就是数据安全性和实时性，在介绍Coral Dev Board本地机器学习的文章中，我们可以看到本地机器学习的应用范围，在工业范围内的AI应用中，我们可以看出占比很少，像自动驾驶，医疗辅助可以算是在工业领域的初探，大部分的人工智能应用都是停留在一个概念上，很少出现有能应用在工业领域并且具有商业性质的项目，原因就是在安全性和低成本。 试想你开发了一个ML应用，如果要应用到工业领域，比如检测设备故障，预测机器运行的下一个状态，公司盈利与设备故障率及工人流动情况的关系，在部署这些模型时，我们要考虑在工业方面的苛刻要求，比如这个工厂基本上没有覆盖网络，那么你要去部署检测设备故障模型的这一个环节就会遇到问题，是采用本地集群部署，还是部署一个终端，然后终端的数据由人为来进行录入，在采用集群部署时，因为会有成千上万台机器设备，所以部署的节点也会有很大的成本，像部署模型在一台Jetson Nano的设备上，虽然成本已经很低，但是部署成千上万个Jetson Nano，你就要考虑功耗，考虑nano模块的故障率以及模块更换的成本，还需要考虑模块与模块之间的高可用网络成本。那么能否将模型部署到更低廉的设备上，比如像微控制器的单片机，这样可以降低很多成本，并且功耗很低，对于大型公司采购此方案的成功率就会有很大的提升。 接下来的5-10年，或许就是机器学习在工业领域的兴起，TinyML意指在小型的微控制器上运算和推演模型，它可以运行在像我们平时接触的家电设备的微控制器上，可以运行在很小的集成电路里面和无处不在的小型设备上。 ML在工业领域的展望，比如像电影领域，通过小型穿戴设备进行演员的动作捕捉计算，目前购买一套动作捕捉的设备是相当昂贵的，还有电影中故事板的制作，对于独立电影人来说将是福利，通过运行有生成模型的小型设备，独立电影人可以通过所处的环境，来生成三维结构的环境，然后导入模型人物来进行预演，最后生成一张张故事板，提高了整个独立创作的效率，也让演员能够更好的理解现场的氛围和如何更好的表演。当然要让ML去创作出好听的小提琴音乐，那是相当难的，更不用说拉小提琴🎻，因为有灵魂注入到了琴中😄。 TinyML的工作流程 确定目标 收集数据 针对实际场景设计神经网络架构 训练模型 转换和部署模型 排查运行过程中的错误问题 实例 拟合Sin(x)函数，在给定x的情况下预测出Sin(x)的值 Mathematica 原型设计: data = Table[ x -> Sin[x] + RandomVariate[NormalDistribution[0, .15]] , {x, 0, 2 \[Pi], .001}]; ListPlot[List @@@ data, PlotStyle -> Dashed] data = RandomSample[data]; trainData = Take[data, {1, Floor[0.6*Length[data]]}]; validationData = Take[data, {Floor[0.6*Length[data]] + 1, Floor[0.8*Length[data]]}]; testData = Take[data, {Floor[0.8*Length[data]] + 1, Length[data]}]; Total[Length /@ {trainData, validationData, testData}] - Length[data] Length /@ {trainData, validationData, testData} 模型1: ...