14、理解特征提取成本：从资源受限设备的角度出发

理解特征提取成本：从资源受限设备的角度出发

1. 特征提取成本的定义

在资源受限的边缘设备中，特征提取成本是机器学习任务中至关重要的考量因素。这些设备通常依赖于轻量级处理器，如嵌入式CPU，来实现所需的数字模块。特征提取成本主要由以下两个因素决定：

• 提取了多少特征及其复杂性，包括所需操作的类型（加法或乘法）和数量。
• 用于表示这些特征并执行必要算术运算的精度。

在嵌入式设备中，特征提取的资源消耗主要体现在两个方面：（1）提取特征的数量和复杂性；（2）用于表示特征和执行算术运算的精度。因此，特征提取成本的定义不仅包括执行特征提取所需的操作类型和数量，还考虑了这些操作的精度。

2. 特征提取的成本因素

2.1 提取特征的数量和复杂性

大多数嵌入式机器学习实现依赖于嵌入式CPU来处理来自传感器的信号，并从中提取特征。一个典型的嵌入式硬件架构包含两个组件：片上主存储器，用于存储算法的参数；以及处理单元，在那里执行操作，并将中间值缓存在本地存储器中。特征提取的复杂性直接影响资源消耗，包括以下几点：

• 特征数量 ：提取的特征越多，所需的计算资源也就越多。
• 特征复杂性 ：特征提取的复杂性包括所需操作的类型（加法或乘法）和数量。例如，计算平均值只需一个MAC（乘累加）操作，而计算一个64点FFT可能需要多个MAC操作。

2.2 算术运算的精度

算术运算的精度对特征提取成本有显著影响。较低的精度