標(biāo)題: STM32cubemx.AI與普通邏輯的區(qū)別 [打印本頁]
作者: 美琴的備胎    時(shí)間: 2022-5-2 21:58
標(biāo)題: STM32cubemx.AI與普通邏輯的區(qū)別
最近看到關(guān)于STM32cubemx支持機(jī)器學(xué)習(xí)的例子，感覺很新奇，于是拿來試試，stm32cubemx是基于stm公司的HAL庫，新手學(xué)起來很是方便，但是不推薦想真正搞懂stm的人去學(xué)，因?yàn)樗鼤约号渲煤胓pio,各個(gè)功能引腳，少學(xué)這些步驟不是真正學(xué)會stm32，還是老老實(shí)實(shí)去用庫函數(shù)吧。我是拿來玩玩的。
言歸正傳，搭建python環(huán)境廢了很大的勁，我的模型因?yàn)橹皇且粋�(gè)demo,所以很簡陋，就是對電壓進(jìn)行分級，比如  
一級    ->  v>=8.0
二級    ->  7.8<=v<8.0
三級    ->  v<7.8
先手動輸入一些數(shù)據(jù)進(jìn)行訓(xùn)練，例如
0
0
0
1
1
0
0
1
2
0
0
1
3
0
0
1
4
0
0
1
7.61
0
0
1
7.62
0
0
1
7.63
0
0
1
7.64
0
0
1
7.65
0
0
1
7.66
0
0
1
7.75
0
0
1
7.78
0
0
1
7.71
0
0
1
7.72
0
0
1
7.8
0
1
0
7.83
0
1
0
7.92
0
1
0
7.85
0
1
0
7.81
0
1
0
7.81
0
1
0
7.84
0
1
0
7.89
0
1
0
7.98
0
1
0
7.88
0
1
0
8.02
1
0
0
8.12
1
0
0
8.05
1
0
0
8.15
1
0
0
8.11
1
0
0
8.01
1
0
0
8.22
1
0
0
8.12
1
0
0
8.14
1
0
0
8.07
1
0
0
經(jīng)過訓(xùn)練后，輸入對應(yīng)范圍的數(shù)據(jù)，就會有不同的輸出，比如，我輸入表格中沒有的數(shù)據(jù)是0.5 它會輸出1，這是正確的
需要說明的是，我的python程序中并沒有類似 If(v<7.8) 輸出1 以及其他范圍輸出2或3，這種邏輯，沒有在訓(xùn)練數(shù)據(jù)中的數(shù)據(jù)該返回什么完全是它自己判斷的，我認(rèn)為，在某種意義上，也是擁有了某種“智能”的表示。但是，我還是搞不懂，它的意義到底是什么，就像上面說的，明明寫幾個(gè)if()else()就能搞定的問題，為什么要這么麻煩
以上，我是接觸了機(jī)器學(xué)習(xí)幾天的時(shí)間，所以還不是特別了解機(jī)器學(xué)習(xí)的內(nèi)涵，請大佬批評指正。下面是模型以及程序代碼

模型
'''
電源等級檢測測試
訓(xùn)練模型閾值
一級    ->  v>=8.0
二級    ->  7.8<=v<8.0
三級    ->  v<7.8

輸入層 -> 隱藏層 -> 輸出層

'''
'''
電源等級檢測測試
訓(xùn)練模型閾值
一級    ->  v>=8.0
二級    ->  7.8<=v<8.0
三級    ->  v<7.8

輸入層 -> 隱藏層 -> 輸出層

'''

#導(dǎo)入工具包
import tensorflow as tf
import pandas as pd
import numpy as np

#讀取數(shù)據(jù)
data = pd.read_csv(r'e:/data/voltage.csv', sep=',', header=None)
voltage = data.iloc[:,0]
level = data.iloc[:,1:]
level.astype(int)

#建立模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=20, activation='relu', input_shape=(1,)))
model.add(tf.keras.layers.Dense(units=10, activation='relu'))
model.add(tf.keras.layers.Dense(units=3, activation='softmax'))
model.summary()

model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
             loss=tf.keras.losses.categorical_crossentropy,
             metrics=[tf.keras.metrics.mse])
history = model.fit(x=voltage, y=level, epochs=40000)

print(model.evaluate(voltage, level))

#保存模型
model.save('level_check.h5')



程序
'''
電源等級檢測測試
訓(xùn)練模型閾值
一級    ->  v>=8.0
二級    ->  7.8<=v<8.0
三級    ->  v<7.8
'''
#導(dǎo)入工具包
import tensorflow as tf
import numpy as np

import time
import datetime

#輸出函數(shù) 輸出更加直觀
def level_output(level=np.zeros(3)):
    for i in range(level.shape[1]):
        if level[0,i] == 1.0:
            return i+1

#測試電壓
test_v = 7.8

t1 = time.time()

#導(dǎo)入模型計(jì)算
load_model = tf.keras.models.load_model(r'C:\Users\Administrator\level_check.h5')
out = load_model.predict([test_v])
print(out)

cal_level = np.around(out).astype(int)

t2 = time.time()

#輸出能源等級
level = level_output(cal_level)
print(level)
print((int(t2*1000)-int(t1*1000)))

#轉(zhuǎn)換模型為tf lite格式 不量化
converter = tf.lite.TFLiteConverter.from_keras_model(load_model)
tflite_model = converter.convert()

#保存到磁盤
open("level_check.tflite", "wb").write(tflite_model)







歡迎光臨 (http://www.torrancerestoration.com/bbs/) Powered by Discuz! X3.1