应用机器学习,第4部分:嵌入式系统
从系列:应用机器学习
介绍在嵌入式设备上运行机器学习模型的几个关键技术和最佳实践。
该视频讨论了提高模型速度和减少内存占用的选项,包括自动C/ c++代码生成、特性选择和模型减少。
“机器学习”一词让人想起复杂的算法,这些算法使用大量的计算来训练一个模型。但是在“嵌入式设备”上的计算受到可用内存和计算量的限制。
现在,当我说“嵌入式设备”时,我指的是带有特殊用途的计算系统的对象,所以想想像家用电器或自动驾驶汽车上的传感器这样的东西。
今天,我们将讨论在为嵌入式设备准备机器学习模型时要记住的不同因素。
不同类型的模型需要不同数量的内存和时间来进行预测。例如,单一决策树速度很快,需要少量内存。最近邻方法速度较慢,需要更多内存,因此您可能不希望在嵌入式应用程序中使用它们。
在决定在嵌入式设备上使用哪些模型时,要记住的另一件事是如何将模型传递到设备。
大多数嵌入式系统都是用低级语言编写的,比如C语言。
但是机器学习通常是在高级解释语言中完成的,如MATLAB、Python或R。
如果你必须用两种不同的语言维护代码库,保持它们同步将是非常痛苦的。
MATLAB提供了自动将机器学习模型转换为C代码的工具,因此您不需要单独用C手动实现模型。
那么,如果在将一个模型转换为C之后,您发现它不能满足我们系统的要求,该怎么办呢?可能是内存占用太大,或者模型花费太长时间进行预测?
您可以尝试其他类型的模型,看看代码是否满足需求。也许可以从一个简单的模型开始,比如决策树。
或者,您可以回到过程的早期,看看是否可以减少模型中的特性的数量。您可以使用邻域组件分析等工具,这对于确定特性对结果的影响非常有用。如果您看到一些特性的权重较低,您可以将它们从我们的模型中删除,使我们的模型更加简洁。
某些类型的模型有与之相关的不同的简化技术。对于决策树,您可以使用修剪技术,在这种技术中,您可以删除提供最小精度改进的节点。
另一种方法是考虑减少存储模型参数所需的内存。例如,查看模型是否可以转换为保持可接受精度的定点表示。
根据您的用例,这些策略中的任何一种都可能是合适的。硬件考虑、网络连接和预算都是影响设计决策的关键因素。
这只是对嵌入机器学习模型的一个快速概述。有关为嵌入式设备准备模型的更多信息,请参见下面的链接。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。