来自系列:应用机器学习
Seth Deland,Mathworks
通过几个关键技术和在嵌入式设备上运行机器学习模型的最佳实践。
该视频讨论了更快,减少其内存占用的选项,包括自动C / C ++代码生成,特征选择和模型减少。
短语“机器学习”带来了介绍了使用大量计算来训练模型的复杂算法。但是“嵌入式设备”的计算限制在可用的内存量和计算量。
现在,当我说“嵌入式设备”时,我指的是具有专用计算系统的对象,因此在自主车辆中思考家用电器或传感器等物品。
今天,我们将讨论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的内存量和时间以进行预测。例如,单个决策树快速并且需要少量的内存。最近的邻居方法较慢,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。
确定在嵌入式设备上使用哪种模型时要记住的另一件事是您将如何将模型达到设备。
大多数嵌入式系统都以低级语言编程,例如C.
但是机器学习通常以高级解释语言进行,如MATLAB,Python或R.
如果您必须以2种不同的语言维护代码基础,请保持同步才会非常痛苦。
MATLAB提供自动将机器学习模型转换为C代码的工具,因此您不需要单独手动在C中实现模型。
那么如果在将模型转换为C之后,那么您发现它不会符合我们系统的要求?也许内存足迹太大,或者模型需要太长,无法预测?
您可以尝试其他类型的模型,看看代码是否符合要求。也许从一个简单的模型开始,例如决策树。
或者,您可以在进程中早些时候回复,并查看是否可以减少模型中的功能数量。您可以使用邻域组件分析等工具,这对于确定功能对结果的影响有用。如果您发现某些功能重量低,则可以从模型中删除它们,使我们的模型更简洁。
某些类型的模型具有与它们相关的不同减少技术。对于决策树,您可以使用修剪技术,其中您可以删除提供最小精度改进的节点。
另一种方法是查看减少存储模型参数所需的内存。例如,看到模型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个都可能是合适的。硬件注意事项,网络连接和预算是影响设计决策的关键因素。
这只是嵌入机器学习模型的快速概述。有关为嵌入式设备准备型号的更多信息,请参阅下面的链接。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。