TinyML: اجرای مدل یادگیری ماشین روی میکروکنترلر با TensorFlow Lite

مسیر کار TinyML

1. جمع‌آوری داده از سنسور (شتاب‌سنج، میکروفون یا سنسور جریان).
2. آموزش یک مدل کوچک (MLP یا CNN یک‌بعدی) در Keras یا PyTorch.
3. کوانتیزاسیون int8 و تبدیل مدل به آرایه C.
4. اجرای استنتاج روی میکروکنترلر با TensorFlow Lite for Microcontrollers.

چرا کوانتیزاسیون int8؟

مدل float32 روی میکروکنترلر حجیم و کند است. کوانتیزاسیون int8 حجم مدل را حدود ۴ برابر کوچک و زمان استنتاج را تا ۳ برابر سریع می‌کند، با افت دقت ناچیز.

import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.representative_dataset = representative_data
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
tflite_model = converter.convert()

اجرا روی ESP32

• حجم Tensor Arena را تجربی پیدا کنید؛ برای مدل‌های کوچک معمولاً ۲۰ تا ۶۰ کیلوبایت کافی است.
• برای مدل‌های بزرگ‌تر بافر را در PSRAM با AllocatePersistentBuffer بسازید.
• از توابع بهینه‌شده esp_nn برای شتاب‌دهی به لایه‌های کانولوشن و فولی‌کانکتد استفاده کنید.

سنجش عملکرد

زمان استنتاج را با micros() قبل و بعد از Invoke() اندازه بگیرید و دقت را با ماتریس درهم‌ریختگی روی داده آزمون ارزیابی کنید.

تمرین

با شتاب‌سنج MPU6050 تشخیص «تکان دادن» و «سکون» را با یک شبکه MLP تک‌لایه پیاده کنید و نتیجه را روی یک LED نمایش دهید.