25、基于云的树莓派卷积神经网络签名验证系统

基于云的树莓派卷积神经网络签名验证系统

1. 树莓派与卷积神经网络

树莓派的计算能力相较于标准游戏本或张量笔记本显著较低。不过，通过利用预训练网络，它仍能在不影响其他因素的情况下实现模型的准确性。此外，还可以用这种方法实现更复杂的架构，如 VGG 16。在训练前对模型进行剪枝，仅会以精度的小幅下降作为代价。

有研究将 CNN 嵌入树莓派来监测结构健康，这体现了轻量级 CNN 模型的合理性。不过，该模型依赖非常简单的像素化图像作为数据集，不适用于签名验证，因为签名是高度复杂的对象。为克服这一问题，有人引入了深度可分离卷积以降低卷积层本身的计算成本。L - CNN 文件大小仅为典型 VGG - 16 架构的 5%，但仍能在检测运动中的人体存在方面产生显著的准确性。不过，该模型的整体架构是为检测视频中基于人体的对象而构建的，其目标不需要高精度，因此不太适合签名验证。

树莓派是部署 CNN 算法用于各种应用的可行设备。但关键是要认识到应用的需求及其与树莓派局限性的关系。各种低特征任务可通过直接在树莓派上进行训练来完成。然而，要执行高精度的验证过程，则需要部署更深层的网络，目前在兼容的计算机上进行此过程更为可行。同时，在树莓派上进行超参数调优需要更长时间，这会影响模型的优化过程。为在树莓派上构建可部署的模型，最好先在个人计算机上训练一个强大的基础模型，这有助于判断定制模型的充分性。

2. 树莓派启用的云系统

所有物联网应用的关键在于对任何系统中可用数据的远程访问。借助树莓派的功能，用户可以通过互联网将其连接到更大的设备间系统。在签名验证系统中，通过树莓派收集的所有数据都可以存储在云端。用户可以在其他设备上访问通过树莓派收集的签名，用于验证过程监控