04-Arduino板上的机器学习(AIfES for Arduino)-优快云博客

(AIfES for Arduino)–高效微控制器人工智能开源框架
原文链接：链接: AIfES for Arduino由Jean-Luc Aufranc撰写。
请添加图片描述

4-1 IoT简介（物联网简介）

在这里插入图片描述

4-2 点亮未来之路： AI

让电脑有能力自我学习，这就是机器学习。

4-3 传感器新浪潮：AI + IoT

①云端计算

在这里插入图片描述

②边缘计算

在这里插入图片描述

4-4 Arduino软件开发ESP32应用

（一）准备一块ESP32开发板

ESP32是一个可以用于控制的AI硬件开发板，可借两侧的输出入（I/O）管脚控制外部电子元件。还具有WIFI连网接口传送数据的功能。
在这里插入图片描述

（二）安装Arduino开发环境

下载Arduino IDE开发环境（链接: 下载Arduino IDE）
下载安装驱动程序链接:( 下载安装驱动程序链接）
新增ESP32开发板到Arduino IDE
在Arduino IDE中执行‘文件’->‘首选项’
在这里插入图片描述
打开 Arduino 软件，点击 “文件”→“首选项”，在 “附加开发板管理器网址” 中输入 https://dl.espressif.com/dl/package_esp32_index.json（这是 ESP32 开发板的管理网址，其实不填也行，不影响下面的步骤）
在Arduino IDE中执行‘工具’->‘开发板管理器’
在这里插入图片描述
搜索输入框esp32，按此安装

因为要在国外的网站下载，所以会失败。可以转为手动下载方式。
手动下载方式：
进入镜像仓库网址链接: 下载 ESP32 的支撑包 https://codechina.youkuaiyun.com/mirrors/espressif/arduino-esp32 下载 ESP32 的支撑包。该仓库的下载速度相对较快，能有效解决从国外网站下载速度慢或无法访问的问题。这个过程会很花很长时间，加上安装时间，约1个多小时。
在这里插入图片描述

在这里插入图片描述
连接ESP32,选择所使用的开发板和串口号

4-5 什么是AI人工智能

图像辨识、语音识别、数据处理的问题，转成程序语言，形成解决问题的规则。让电脑自己学习规则，这就是机器学习（ Machine Learning ， ML）

4-5-1 机器学习

监督式学习 与 非监督式学习
监督式学习所使用的训练数据集合会事先给予标记，即准备一些问题和对应的答案给电脑后，通过合适的推理让它\ 自行找出其中的规则，并有能力针对类似的问题给出正确的回答，
常见的回归分析（Regression Analysis）与统计分类（Classification）

4-5-2 神经网络

在机器学习中最主流的方法是类神经网络（Artificial Neural Network ，ANN，简称神经网络）
在这里插入图片描述
人工神经元

输入-就是问题
输出-就是答案
权重和偏值就是要自我学习的参数可以表示成：
$输出 = 输入 1 \times 权重 1 + 输入 2 \times 权重 2 + 输入 3 \times 权重 3 + 偏值$
如果只有一个输入的神经元：
在这里插入图片描述
$输出 = 输入 \times 权重 + 偏值$
回归问题
指的是找到两组数据之间的对应关系
资料如下：

有1条线能大致连接： $y = 0.8337 x - 81.331$

其实就是一个函数： $体重 = 身高 \times 0.8337 - 81.331$

在这里插入图片描述
用直线表示关系，不是很贴合。`(>﹏<)′
用分段的折线来解决非线性问题。（￣︶￣）↗　
采用 激活函数(activation function) 便能 在神经元输出之前进行非线性计算，再将值输出：

最常用的激活函数是 ReLU函数，小于转折点的输出数值都等于0
在这里插入图片描述
如果更贴合数据，就要导入更多非线性度，做法
将多个神经元连接在一起：
上下并排的神经元合称 神经层，

由于每个神经元共用一个激活函数，多个
有 激活函数 的神经元，等同提供更多非线性度，（ReLU 就是一次转折），所以生成函数更贴近数据：

神经网络
为了预测更加准确，可以加入更多输入数据，这些数据又称为-特征(Feature)

在这里插入图片描述
完整的神经网络又可以称为 - 模型 (model)

在这里插入图片描述
神经元的学习过程

神经元怎么学习？
一开始神经元什么都不会，因此权重和偏值
都是乱猜的，
所以输出的答案也是不对的，不过它会比对你给
的数据来调整，直到它的输出与你给的资料一致：
在这里插入图片描述
损失函数 -计算预测值和标签误差的函数，计算出来的值称为-损失值（loss） ，越大代表误差越多，
神经元有这个数值后就知道怎么调整它的参数，
不同问题会搭配不同损失函数，例如，回归问题就会使用

均方误差（Mean Squared Error,MSE）
每笔标签减预测值（即误差），取平方，再取平均值。
$标签值：y_1、y_2、y_3、y_4、y_5、...、y_n、$
$预测值：\hat{y_1}、\hat{y_2}、\hat{y_3}、\hat{y_4}、\hat{y_5}、...、\hat{y_n}、$