希望評(píng)估機(jī)器學(xué)習(xí)方法的開發(fā)人員發(fā)現(xiàn)了越來(lái)越多的專業(yè)硬件和開發(fā)平臺(tái)，這些平臺(tái)通常針對(duì)特定類別的機(jī)器學(xué)習(xí)架構(gòu)和應(yīng)用程序進(jìn)行調(diào)整。雖然這些專業(yè)平臺(tái)對(duì)于許多機(jī)器學(xué)習(xí)應(yīng)用程序至關(guān)重要，但很少有新的機(jī)器學(xué)習(xí)人員可以做出有關(guān)選擇理想平臺(tái)的明智決策。

開發(fā)人員需要一個(gè)更易于訪問(wèn)的平臺(tái)來(lái)獲得機(jī)器開發(fā)經(jīng)驗(yàn)學(xué)習(xí)應(yīng)用程序并更深入地了解資源需求和最終的功能。

如Digi-Key文章“使用隨時(shí)可用的硬件和軟件開始機(jī)器學(xué)習(xí)”中所述，開發(fā)任何用于監(jiān)督機(jī)器學(xué)習(xí)的模型包括三個(gè)關(guān)鍵步驟：

準(zhǔn)備培訓(xùn)模型的數(shù)據(jù)

模型實(shí)施

模型培訓(xùn)

數(shù)據(jù)準(zhǔn)備將熟悉的數(shù)據(jù)采集方法與標(biāo)記特定數(shù)據(jù)實(shí)例所需的額外步驟相結(jié)合，以便在培訓(xùn)過(guò)程中使用。對(duì)于最后兩個(gè)步驟，機(jī)器學(xué)習(xí)模型專家直到最近才需要使用相對(duì)較低級(jí)別的數(shù)學(xué)庫(kù)來(lái)實(shí)現(xiàn)模型算法中涉及的詳細(xì)計(jì)算。機(jī)器學(xué)習(xí)框架的可用性大大降低了模型實(shí)施和培訓(xùn)的復(fù)雜性。

今天，任何熟悉Python或其他支持語(yǔ)言的開發(fā)人員都可以使用這些框架快速開發(fā)能夠運(yùn)行的機(jī)器學(xué)習(xí)模型。各種各樣的平臺(tái)。本文將介紹如何在Raspberry Pi 3上開發(fā)機(jī)器學(xué)習(xí)應(yīng)用程序之前的機(jī)器學(xué)習(xí)堆棧和培訓(xùn)過(guò)程。

機(jī)器學(xué)習(xí)堆棧

為了支持模型開發(fā)，機(jī)器學(xué)習(xí)框架提供了一整套資源（圖1）。在典型堆棧的頂部，培訓(xùn)和推理庫(kù)提供定義，培訓(xùn)和運(yùn)行模型的服務(wù)。這些模型反過(guò)來(lái)建立在內(nèi)核函數(shù)的優(yōu)化實(shí)現(xiàn)上，例如卷積和激活函數(shù)，如ReLU，以及矩陣乘法等。這些優(yōu)化的數(shù)學(xué)函數(shù)適用于較低級(jí)別的驅(qū)動(dòng)程序，這些驅(qū)動(dòng)程序提供抽象層以與通用CPU連接，或者在可用時(shí)充分利用專用硬件（如圖形處理單元（GPU））。

圖1：在典型的機(jī)器學(xué)習(xí)堆棧中，更高級(jí)別的庫(kù)提供了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)算法的功能，借鑒了專業(yè)的數(shù)學(xué)庫(kù)實(shí)現(xiàn)針對(duì)底層硬件層中的CPU和GPU優(yōu)化的內(nèi)核函數(shù)。 （圖片來(lái)源：Google）

隨著提供這些堆棧的TensorFlow等機(jī)器學(xué)習(xí)框架的可用性，無(wú)論硬件目標(biāo)如何，在應(yīng)用程序中實(shí)現(xiàn)機(jī)器學(xué)習(xí)的開發(fā)過(guò)程大致相同。在不同硬件平臺(tái)上利用TensorFlow的能力允許開發(fā)人員開始在相對(duì)適度的硬件平臺(tái)上探索模型開發(fā)，然后利用這些經(jīng)驗(yàn)在更強(qiáng)大的硬件上開發(fā)機(jī)器學(xué)習(xí)應(yīng)用程序。

預(yù)計(jì)專業(yè)的高性能人工智能（AI）芯片最終將為開發(fā)人員提供實(shí)現(xiàn)復(fù)雜機(jī)器學(xué)習(xí)算法的能力。在此之前，開發(fā)人員可以開始評(píng)估機(jī)器學(xué)習(xí)并使用通用平臺(tái)創(chuàng)建真正的機(jī)器學(xué)習(xí)應(yīng)用程序，包括Raspberry Pi Foundation的Raspberry Pi 3，或任何基于通用處理器（如Arm ?）的現(xiàn)成開發(fā)板。 Cortex ? -A系列MCU或Arm Cortex-M系列MCU。

Raspberry Pi 3作為機(jī)器學(xué)習(xí)應(yīng)用程序的開發(fā)平臺(tái)提供了一些直接的優(yōu)勢(shì)。其Arm Cortex-A53四核處理器提供了顯著的性能，而核心的NEON單指令，多數(shù)據(jù)（SIMD）擴(kuò)展能夠執(zhí)行一定程度的多媒體和機(jī)器學(xué)習(xí)類型處理。但是，開發(fā)人員可以使用任意數(shù)量的兼容硬件附件輕松擴(kuò)展基礎(chǔ)Raspberry Pi 3硬件平臺(tái)。

例如，要?jiǎng)?chuàng)建下面描述的機(jī)器學(xué)習(xí)圖像識(shí)別系統(tǒng)，開發(fā)人員可以添加相機(jī)，如800萬(wàn)像素Raspberry Pi相機(jī)模塊v2或其低光Pi NoIR相機(jī)（圖2）。

圖2：低 - 諸如Raspberry Pi 3之類的成本板為機(jī)器學(xué)習(xí)開發(fā)提供了一個(gè)有用的平臺(tái)，支持諸如用于開發(fā)圖像分類應(yīng)用程序的相機(jī)模塊之類的附加組件。 （圖片來(lái)源：Raspberry Pi Foundation）

在軟件方面，Raspberry Pi社區(qū)創(chuàng)建了一個(gè)同樣豐富的生態(tài)系統(tǒng)，開發(fā)人員可以在其中找到包含完整的預(yù)編譯二進(jìn)制輪文件的分發(fā)版，以便在Raspberry上安裝TensorFlow皮。 TensorFlow在Raspberry Pi車輪存儲(chǔ)庫(kù)piwheels.org上為Python 3.4和3.5提供了這些車輪文件。或者，由于Docker現(xiàn)在正式支持Arm架構(gòu)，開發(fā)人員可以使用dockerhub.com中的合適容器。

實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型

使用這種軟件，Raspberry Pi 3和相機(jī)模塊的組合，開發(fā)人員可以使用Arm的示例代碼構(gòu)建一個(gè)簡(jiǎn)單的機(jī)器學(xué)習(xí)手勢(shì)識(shí)別應(yīng)用程序。此應(yīng)用程序僅用于檢測(cè)用戶何時(shí)做出特定手勢(shì)：在這種情況下，以一種慶祝手勢(shì)向空中舉手。

首先，使用Python腳本（記錄。 py）記錄幾次執(zhí)行相同手勢(shì)的人的短視頻片段。由于此應(yīng)用程序應(yīng)盡可能簡(jiǎn)單，因此下一步將使用TensorFlow中嵌入的Keras機(jī)器學(xué)習(xí)應(yīng)用程序編程接口（API）開始培訓(xùn)。在此示例中，訓(xùn)練過(guò)程在另一個(gè)Python腳本（train.py）中定義，該腳本包括Keras模型定義和訓(xùn)練序列（清單1）。

復(fù)制 def main（）:. 。 。 model_file = argv [1] recording_files = argv [2：] feature_extractor = PiNet（）。 。 。 for i，filename in enumerate（recording_files）：stdout.write（'％s'％filename）stdout.flush（）with open（filename，'rb'）as f：x = load（f）features = [feature_extractor.features （f）對(duì)于f in x] label = np.zeros（（len（recording_files），））label [i] = 1.＃在該列的文件欄中創(chuàng)建一個(gè)帶有1的標(biāo)簽xs + = features＃添加從此文件加載的幀的功能ys + = [label] * len（x）＃為文件中的每個(gè)幀添加標(biāo)簽class_count [i] = len（x）print（“創(chuàng)建網(wǎng)絡(luò)以對(duì)％s進(jìn)行分類“％'，'。join（recording_files））classifier = make_classifier（xs [0] .shape，len（recording_files））print（”訓(xùn)練網(wǎng)絡(luò)將高級(jí)功能映射到％d類別“％len（recording_files）） classifier.fit（[np.array（xs）]，[np.array（ys）]，epochs = 20，shuffle = True）print（“現(xiàn)在我們保存這個(gè)模型，以便我們可以隨時(shí)部署它”）分類器。 save（model_file）def make_classifier（input_shape，num_classes）：“”“制作一個(gè)非常簡(jiǎn)單的分類器圖層：GaussianNoise：添加隨機(jī)噪聲到pre發(fā)泄我們的分類器記住具體的例子。展平：輸入可能來(lái)自具有形狀（x，y，深度）的層;將其壓平至1D。密集：每個(gè)類提供一個(gè)輸出，按比例縮放為1（softmax）“”##定義一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)net_input = keras.layers.Input（input_shape）noise = keras.layers.GaussianNoise（0.3）（net_input）flat = keras .layers.Flatten（）（noise）net_output = keras.layers.Dense（num_classes，activation ='softmax'）（flat）net = keras.models.Model（[net_input]，[net_output]）＃在使用前編譯模型損失應(yīng)該與輸出激活函數(shù)匹配，例如＃binary_crossentropy用于sigmoid，categorical_crossentropy用于softmax，mse用于線性。＃Adam是一個(gè)可靠的默認(rèn)優(yōu)化器，我們可以將學(xué)習(xí)速率保留為默認(rèn)值.net.compile（optimizer = keras。 optimizers.Adam（），loss ='categorical_crossentropy'，metrics = ['accuracy']）return net

清單1：在Arm示例應(yīng)用程序庫(kù)的這個(gè)片段中，培訓(xùn)過(guò)程結(jié)合了一個(gè)預(yù)先訓(xùn)練好的模型，該應(yīng)用程序需要簡(jiǎn)單的分類器。（代碼來(lái)源：Arm）

盡管這個(gè)模型很簡(jiǎn)單，它實(shí)際上非常復(fù)雜，使用了一種稱為轉(zhuǎn)移學(xué)習(xí)的技術(shù)。轉(zhuǎn)移學(xué)習(xí)使用經(jīng)過(guò)驗(yàn)證的模型，該模型使用一個(gè)數(shù)據(jù)集作為培訓(xùn)針對(duì)不同但相關(guān)問(wèn)題集的模型的起點(diǎn)。在這種情況下，該應(yīng)用程序使用來(lái)自Google的MobileNet模型集的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型。

由Google開發(fā)的MobileNet模型是CNN在標(biāo)記的事實(shí)標(biāo)準(zhǔn)ImageNet數(shù)據(jù)集的子集上進(jìn)行訓(xùn)練圖片。 MobileNet模型的顯著特點(diǎn)是它們被配置為支持移動(dòng)設(shè)備或通用板（如Raspberry Pi）所需的減少的資源需求。這種資源減少的成本降低了準(zhǔn)確性。雖然這些模型提供的精確度遠(yuǎn)遠(yuǎn)低于關(guān)鍵任務(wù)應(yīng)用程序的要求，但MobileNet模型可以證明對(duì)于更寬松的要求和轉(zhuǎn)移學(xué)習(xí)中的基本模型非常有用。

對(duì)于此應(yīng)用程序，train.py腳本使用MobileNet模型創(chuàng)建一個(gè)特征提取器，其中最終分類層已被刪除：

feature_extractor = PiNet（）

PiNet函數(shù)只讀取代碼庫(kù)中包含的修改后的MobileNet模型。

然后，應(yīng)用程序使用該修改后的模型為此訓(xùn)練數(shù)據(jù)集創(chuàng)建要素集（要素）：

features = [feature_extractor.features（f）for f in x]

其中x是一個(gè)數(shù)組，包含在初始數(shù)據(jù)收集步驟中由record.py生成的幀。

最后，train.py腳本使用Keras fit方法訓(xùn)練模型和save方法以保存最終模型以供推理使用：

classifier.fit （[np.array（xs）]，[np.array（ys）]，epochs = 20，shuffle = True）

classifier.save（model_file）

要使用生成的模型文件進(jìn)行推理，請(qǐng)調(diào)用另一個(gè)腳本run.py.此腳本中的關(guān)鍵設(shè)計(jì)模式是無(wú)限循環(huán)，它采用每個(gè)幀，計(jì)算要素（extractor.features），使用相同的分類器進(jìn)行推理（classifier.predict），并生成標(biāo)簽的預(yù)測(cè)（np.argmax）。預(yù)測(cè)只是目標(biāo)手勢(shì)是否已經(jīng)發(fā)生（清單2）。

復(fù)制 而True：raw_frame = camera.next_frame（）＃使用MobileNet獲取此幀的功能z = extractor.features（raw_frame）＃使用這些功能，我們可以預(yù)測(cè)a 'normal'/'yeah'class（0或1）#Keras期望一組輸入并產(chǎn)生一個(gè)輸出數(shù)組classes = classifier.predict（np.array（[z]））[0]＃smooth the outputs - this添加延遲但減少中斷平滑=平滑* SMOOTH_FACTOR +類*（1.0 - SMOOTH_FACTOR）選擇= np.argmax（平滑）＃所選類是概率最高的類＃顯示類概率和選定的類摘要='類％d [％s]'％（已選中，''。join（'％02.0f %%'％（99 * p）為平滑的p））stderr.write（' r'+ summary）

清單2：Arm示例run.py腳本中的這個(gè)片段演示了推理的基本設(shè)計(jì)模式，使用相同的預(yù)訓(xùn)練模型提取特征和相同的分類器來(lái)執(zhí)行推理。 （代碼源：Arm）

多分類模型

開發(fā)一個(gè)應(yīng)用程序來(lái)檢測(cè)一類輸入，例如單個(gè)手勢(shì)，這在機(jī)器學(xué)習(xí)開發(fā)中是值得的，但機(jī)器學(xué)習(xí)應(yīng)用程序通常用于多類分類。另一個(gè)Arm示例應(yīng)用程序演示了執(zhí)行此操作所需的步驟，并提供了完成多分類模型開發(fā)通常所需步驟的更完整示例。例如，除了捕獲期望的手勢(shì)之外，單個(gè)手勢(shì)應(yīng)用程序不需要重要的數(shù)據(jù)準(zhǔn)備。相比之下，多分類應(yīng)用程序涉及大量數(shù)據(jù)捕獲和相關(guān)的開發(fā)步驟，以使用Arm提供的Python腳本使用目標(biāo)類（手勢(shì)）標(biāo)記捕獲的視頻。在這種情況下，開發(fā)者捕獲不同動(dòng)作的短視頻剪輯，例如進(jìn)入或離開房間，指向燈（打開或關(guān)閉），以及制作不同的手勢(shì)以開始或停止音樂(lè)播放。使用classify.py腳本，查看圖像并輸入相應(yīng)的標(biāo)簽（與每個(gè)操作對(duì)應(yīng)的整數(shù)）。標(biāo)記完成后，保留約10％的標(biāo)記數(shù)據(jù)，用于測(cè)試模型，如下所述。

使用訓(xùn)練數(shù)據(jù)和保留的測(cè)試集，下一步是創(chuàng)建模型本身。與在單個(gè)手勢(shì)應(yīng)用程序中大量使用預(yù)訓(xùn)練模型不同，此應(yīng)用程序構(gòu)建完整的CNN模型。在這種情況下，使用一系列Keras語(yǔ)句，使用構(gòu)建2D卷積層（Conv2D）的Keras函數(shù)逐層構(gòu)建模型，添加激活層（激活），池化層（MaxPooling2D）等（列表） 3）。

復(fù)制 def main（）：如果len（argv）！= 3或argv [1] ==' - help'：print（“ “”用法：train.py TRAIN_DIR VAL_DIR ...訓(xùn)練一個(gè)轉(zhuǎn)換網(wǎng)后保存TRAIN_DIR/model.h5以區(qū)分其子目錄中的圖像。“”“）exit（1）train_data_dir = argv [1] val_data_dir = argv [2 ] nb_train_samples = len（glob（'％s/*/* .png'％train_data_dir））nb_classes = len（glob（'％s/*/'％train_data_dir））batch_size = 100 model = Sequential（）model.add（ Conv2D（32，（3,3），input_shape =（128,128,3）））model.add（Activation（'elu'））model.add（MaxPooling2D（pool_size =（2,2）））model.add （Conv2D（32，（3,3）））model.add（Activation（'elu'））model.add（MaxPooling2D（pool_size =（2,2）））model.add（Conv2D（64，（3,3） ）））model.add（Activation（'elu'））model.add（MaxPooling2D（pool_size =（2,2））） model.add（Flatten（））model.add（Dense（64））model.add（Activation（'elu'））model.add（Dropout（0.5））model.add（Dense（nb_classes））model.add（激活（'softmax'））model.compile（loss ='categorical_crossentropy'，optimizer ='adam'，metrics = ['accuracy']）

清單3：Arm多分類示例應(yīng)用程序說(shuō)明了使用Keras函數(shù)逐層構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)。 （代碼源：Arm）

該模型還引入了dropout層的概念（清單3中的Dropout），它提供了一種稱為正則化的模型優(yōu)化形式。在模型訓(xùn)練算法中，正則化因子降低了模型追逐每個(gè)特征的趨勢(shì)，這可能導(dǎo)致模型中的過(guò)度擬合。 Dropout通過(guò)將一組隨機(jī)神經(jīng)元從處理鏈中刪除而執(zhí)行同樣的功能（圖3）。

圖3：Dropout通過(guò)隨機(jī)禁用神經(jīng)元在深層神經(jīng)網(wǎng)絡(luò)中提供正則化，有效地將完全連接的神經(jīng)網(wǎng)絡(luò)（頂部）轉(zhuǎn)換為密度較低的版本（底部） 。 （圖片來(lái)源：多倫多大學(xué)）

掌握完成的模型后，使用TensorFlow和其他框架內(nèi)置的傳統(tǒng)培訓(xùn)方法。對(duì)于非常復(fù)雜的模型，實(shí)際的培訓(xùn)過(guò)程可能需要數(shù)小時(shí)，數(shù)天甚至數(shù)周。雖然開發(fā)人員通常使用GPU來(lái)加速培訓(xùn)，但是像之前的應(yīng)用程序一樣，使用傳輸學(xué)習(xí)可以幫助減少培訓(xùn)時(shí)間。但是，在此多分類應(yīng)用程序中使用完整模型會(huì)轉(zhuǎn)化為更長(zhǎng)的訓(xùn)練時(shí)間。 Arm指出，這個(gè)應(yīng)用程序的培訓(xùn)時(shí)間在Raspberry Pi上可能很重要。相反，Arm建議開發(fā)人員在自己的工作站上安裝TensorFlow，在工作站上進(jìn)行培訓(xùn)，然后將訓(xùn)練好的模型復(fù)制回Raspberry Pi。

使用模型時(shí)，推理過(guò)程大部分遵循相同的系列先前為單個(gè)手勢(shì)應(yīng)用程序顯示的調(diào)用。當(dāng)然，對(duì)于這個(gè)應(yīng)用程序，推理過(guò)程使用清單3中描述的自定義模型，而不是清單1中描述的單個(gè)手勢(shì)預(yù)訓(xùn)練模型和淺層分類器。除了這個(gè)明顯的差異之外，多分類模型開發(fā)還增加了一個(gè)額外的步驟用于在生產(chǎn)使用之前測(cè)試模型。

在此測(cè)試階段，運(yùn)行模型就像生產(chǎn)推理一樣，但不使用一些新的輸入數(shù)據(jù)，而是使用培訓(xùn)中保留的10％標(biāo)記數(shù)據(jù)。由于已經(jīng)知道每個(gè)測(cè)試圖像推斷的正確答案，因此測(cè)試腳本可以記錄實(shí)際的準(zhǔn)確度結(jié)果，以便與完成培訓(xùn)時(shí)獲得的準(zhǔn)確度結(jié)果進(jìn)行比較。

除了作為硬度量標(biāo)準(zhǔn)的基本優(yōu)勢(shì)之外，測(cè)試階段和模型響應(yīng)測(cè)試數(shù)據(jù)的方式可以提供關(guān)于可能需要采取哪些步驟來(lái)改進(jìn)模型的提示。因?yàn)樵摐y(cè)試數(shù)據(jù)包括在訓(xùn)練中使用的相同類型的數(shù)據(jù)，所以訓(xùn)練的模型應(yīng)該產(chǎn)生具有在訓(xùn)練期間實(shí)現(xiàn)的相同精度水平的預(yù)測(cè)。對(duì)于過(guò)度擬合的模型，減少輸入特征的數(shù)量并應(yīng)用更強(qiáng)大的正則化方法。對(duì)于有欠配合的模型，請(qǐng)做相反的事情;添加更多功能并減少正規(guī)化量。

基于MCU的應(yīng)用程序

TensorFlow和其他框架均提供一致的模型開發(fā)方法，可應(yīng)用于各種目標(biāo)硬件平臺(tái)。然而，它們絕不是唯一的方法。在基于Arm的平臺(tái)上開發(fā)機(jī)器學(xué)習(xí)應(yīng)用程序時(shí)，開發(fā)人員可以轉(zhuǎn)向公司自己的庫(kù)。

Arm Compute Library開發(fā)用于支持Arm Cortex-A系列MCU，提供了一整套實(shí)現(xiàn)CNN的功能。和其他機(jī)器學(xué)習(xí)算法。對(duì)于Arm Cortex-M系列MCU，Arm Cortex微控制器軟件接口標(biāo)準(zhǔn)（CMSIS）包括神經(jīng)網(wǎng)絡(luò)（NN）庫(kù)。正如CMSIS-DSP擴(kuò)展用于DSP應(yīng)用的CMSIS一樣，CMSIS-NN提供機(jī)器學(xué)習(xí)功能，用于在基于Arm Cortex-M的平臺(tái)上實(shí)現(xiàn)流行的NN架構(gòu)。例如，使用CMSIS-NN庫(kù)在STMicroelectronics NUCLEO-F746ZG開發(fā)板上實(shí)現(xiàn)CNN，該開發(fā)板是基于STMicroelectronics Arm Cortex-M7的STM32F746ZG MCU構(gòu)建的。

用CMSIS實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)-NN，開發(fā)人員可以從TensorFlow或其他框架導(dǎo)入現(xiàn)有模型。或者，他們可以通過(guò)一系列CMSIS-NN函數(shù)調(diào)用本地實(shí)現(xiàn)CNN。例如，為了實(shí)現(xiàn)能夠處理行業(yè)標(biāo)準(zhǔn)CIFAR-10標(biāo)記圖像數(shù)據(jù)集的CNN，開發(fā)人員將逐層構(gòu)建模型，類似于之前針對(duì)Keras所示的方法。在這種情況下，CNN層實(shí)現(xiàn)為一系列CMSIS-NN函數(shù)調(diào)用。最終的softmax層產(chǎn)生CIFAR-10所需的10個(gè)輸出神經(jīng)元（清單4）。

復(fù)制 int main（）{。 。 。//conv1 img_buffer2 - > img_buffer1 arm_convolve_HWC_q7_RGB（img_buffer2，CONV1_IM_DIM，CONV1_IM_CH，conv1_wt，CONV1_OUT_CH，CONV1_KER_DIM，CONV1_PADDING，CONV1_STRIDE，conv1_bias，CONV1_BIAS_LSHIFT，CONV1_OUT_RSHIFT，img_buffer1，CONV1_OUT_DIM，（q15_t *）col_buffer，NULL）; arm_relu_q7（img_buffer1，CONV1_OUT_DIM * CONV1_OUT_DIM * CONV1_OUT_CH）;//pool1 img_buffer1 - > img_buffer2 arm_maxpool_q7_HWC（img_buffer1，CONV1_OUT_DIM，CONV1_OUT_CH，POOL1_KER_DIM，POOL1_PADDING，POOL1_STRIDE，POOL1_OUT_DIM，NULL，img_buffer2）;//CONV2 img_buffer2 - > img_buffer1 arm_convolve_HWC_q7_fast（img_buffer2，CONV2_IM_DIM，CONV2_IM_CH，conv2_wt，CONV2_OUT_CH，CONV2_KER_DIM，CONV2_PADDING，CONV2_STRIDE，conv2_bias，CONV2_BIAS_LSHIFT，CONV2_OUT_RSHIFT，img_buffer1，CONV2_OUT_DIM，（q15_t *）col_buffer，NULL）; arm_relu_q7（img_buffer1，CONV2_OUT_DIM * CONV2_OUT_DIM * CONV2_OUT_CH）;//POOL2 img_buffer1 - > img_buffer2 arm_maxpool_q7_HWC（img_buffer1，CONV2_OUT_DIM，CONV2_OUT_CH，POOL2_KER_DIM，POOL2_PADDING，POOL2_STRIDE，POOL2_OUT_DIM，col_buffer，img_buffer2）;//conv3 img_buffer2 - > img_buffer1 arm_convolve_HWC_q7_fast（img_buffer2，CONV3_IM_DIM，CONV3_IM_CH，conv3_wt，CONV3_OUT_CH，CONV3_KER_DIM，CONV3_PADDING ，CONV3_STRIDE，conv3_bias，CONV3_BIAS_LSHIFT，CONV3_OUT_RSHIFT，img_buffer1，CONV3_OUT_DIM，（q15_t *）col_buffer，NULL）; arm_relu_q7（img_buffer1，CONV3_OUT_DIM * CONV3_OUT_DIM * CONV3_OUT_CH）;//pool3 img_buffer-> img_buffer2 arm_maxpool_q7_HWC（img_buffer1，CONV3_OUT_DIM，CONV3_OUT_CH，POOL3_KER_DIM，POOL3_PADDING，POOL3_STRIDE，POOL3_OUT_DIM，col_buffer，img_buffer2）; arm_fully_connected_q7_opt（img_buffer2，ip1_wt，IP1_DIM，IP1_OUT，IP1_BIAS_LSHIFT，IP1_OUT_RSHIFT，ip1_bias，output_data，（q15_t *）img_buffer1）; arm_softmax_q7（output_data，10，output_data）; for（int i = 0; i <10; i ++）{printf（“％d：％d n”，i，output_data [i]）; } return 0;}

清單4：在Arm示例CIFAR-10應(yīng)用程序的這個(gè)片段中，主例程說(shuō)明了用于構(gòu)建CIFAR10目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)的一系列調(diào)用。 Arm Cortex微控制器軟件接口標(biāo)準(zhǔn)（CMSIS）神經(jīng)網(wǎng)絡(luò)（NN）庫(kù)。 （代碼來(lái)源：Arm）

通用平臺(tái)缺乏資源來(lái)提供基于GPU的系統(tǒng)可能的推理性能。結(jié)果，這些平臺(tái)通常不能可靠地支持以維持無(wú)閃爍外觀所需的通常幀速率操作的任何類型的“實(shí)時(shí)”視頻推斷。即便如此，上述CMSIS-NN CIFAR-10模型可以實(shí)現(xiàn)大約每秒10的推理速度，這可能足夠快以支持需要有限更新速率的相對(duì)簡(jiǎn)單的應(yīng)用程序。

持續(xù)發(fā)展簡(jiǎn)化的模型，如MobileNet和TensorFlow Lite和Facebook的Caffe2Go等框架，為物聯(lián)網(wǎng)和其他連接應(yīng)用的資源受限設(shè)備實(shí)現(xiàn)機(jī)器學(xué)習(xí)提供了更多選擇。

結(jié)論

機(jī)器學(xué)習(xí)應(yīng)用程序遵循典型的數(shù)據(jù)準(zhǔn)備和培訓(xùn)開發(fā)模式，在不同的目標(biāo)平臺(tái)上保持概念上的一致性。因此，開發(fā)人員可以使用低成本開發(fā)板快速獲得實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的經(jīng)驗(yàn)。

隨著機(jī)器學(xué)習(xí)庫(kù)和針對(duì)這些板優(yōu)化的框架的可用性，開發(fā)人員可以使用諸如Raspberry之類的板Pi 3或STMicroelectronics NUCLEO-F746ZG實(shí)現(xiàn)了有效的機(jī)器學(xué)習(xí)推理引擎，能夠?yàn)榫哂羞m度要求的應(yīng)用提供有用的結(jié)果。