从系列中:应用机器学习
赛斯·德兰,马修斯
浏览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。
视频讨论了使模型更快和减少内存占用的选项,包括自动C/C++代码生成、功能选择和模型缩减。
“机器学习”一词让人想起使用大量计算来训练模型的复杂算法。但是在“嵌入式设备”上的计算在可用的内存和计算量上是有限的。
现在,当我说“嵌入式设备”时,我指的是带有特殊用途计算系统的物体,所以想象一下家用电器或自动驾驶汽车上的传感器。
今天,我们将讨论为嵌入式设备准备机器学习模型时需要记住的不同因素。
为了进行预测,不同类型的模型需要不同的内存和时间。例如,单个决策树速度很快,只需要少量内存。最近邻方法速度较慢,需要更多内存,因此您可能不希望将它们用于嵌入式应用程序。
在决定在嵌入式设备上使用哪种模型时,另一件要记住的事情是如何将模型移植到设备上。
大多数嵌入式系统都是用C等低级语言编程的。
但机器学习通常是在高级解释语言中完成的,如MATLAB、Python或R。
如果您必须用两种不同的语言维护代码库,那么保持它们的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,因此您不需要单独在C中手动实现模型。
那么,如果在将模型转换为C之后,您发现它不能满足我们系统的要求,该怎么办?可能内存占用太大,或者模型需要太长时间才能做出预测?
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,您可以在流程的早期返回,看看是否可以减少模型中的特征数量。可以使用邻域组件分析等工具,这些工具可用于确定要素对结果的影响。如果您看到某些功能的权重较低,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。
某些类型的模型具有与之相关的不同的简化技术。对于决策树,可以使用修剪技术,删除提供最小精度改进的节点。
另一种方法是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简要概述。有关为嵌入式设备准备模型的更多信息,请参阅下面的链接。
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。