除了像TensorFlow for Arduino這樣強大的深度學習架構(gòu)外，還有一些經(jīng)典的ML方法適用于嵌入式設(shè)備上的較小數(shù)據(jù)集，這些方法有用且易于理解-最簡單的方法之一就是KNN。

KNN的一個優(yōu)勢在于，一旦Arduino獲得了一些示例數(shù)據(jù)，就可以立即對其進行分類。我們已經(jīng)發(fā)布了一個新的Arduino庫，可以快速輕松地將KNN導入在程序中，且無需進行設(shè)備外培訓或其他工具。

在本文中，我們將使用顏色分類器示例來介紹KNN。之前在深度學習中我們展示過相同的應(yīng)用程序，相比之下，KNN是一種更快、更輕量的方法，但無法擴展到更大，更復雜的數(shù)據(jù)集。

顏色分類示例

在本教程中，我們將介紹如何使用Arduino Nano 33 BLE Sense上的Arduino_KNN庫按顏色對其對象進行分類。

在進行配置時我們將需要進行以下準備：

Arduino Nano 33 BLESense開發(fā)板

MicroUSB數(shù)據(jù)線

打開Arduino IDE或Arduino Create的云端編譯器

安裝Arduino_KNN庫

從文件》示例》 Arduino_KNN中選擇ColorClassifier

編譯程序并上傳到您的Arduino開發(fā)板

Arduino_KNN庫

該示例使用了Arduino_KNN庫，該庫提供了一個簡單的界面，可在我們自己的程序中使用KNN：

#include 《Arduino_KNN.h》 // Create a new KNNClassifierKNNClassifier myKNN（INPUTS）;

在本示例中，INPUTS = 3 用來表示顏色傳感器的R、G和B值。

采樣對象顏色

當打開串行監(jiān)視器時會看到以下消息：

Arduino KNN color classifierShow me an example Apple

Arduino開發(fā)板已準備好采樣對象顏色。如果你沒有蘋果，梨或者橙子，則可能需要通過編輯程序來放置不同的標簽。顏色傳感器最好在光線充足的房間中處理粗糙，無光澤的物體，并且每個類別都必須具有不同的顏色?。伾珎鞲衅鞑⒉皇菂^(qū)分橙色和橘子的理想選擇，但是它可以檢測到橙子的成熟程度。如果要按形狀對物體進行分類，則可以始終使用相機。）

當Arduino開發(fā)板靠近對象時，它將對顏色進行采樣并將其添加到KNN示例中，并帶有標記對象所屬類的數(shù)字（即代表蘋果，橙子或梨的數(shù)字0、1或2）。提供標記的示例數(shù)據(jù)的ML技術(shù)也稱為監(jiān)督學習。

程序中用于將示例數(shù)據(jù)添加到KNN函數(shù)的代碼如下：

readColor（color）; // Add example color to the KNN modelmyKNN.addExample（color， currentClass）;

顏色樣本的紅色，綠色和藍色級別也通過串口輸出：

程序為每個對象獲取30個顏色樣本?？梢韵蚱滹@示一個對象，它將對顏色進行30次采樣-本教程不需要30個蘋果?。ūM管更廣泛的數(shù)據(jù)集將使模型更通用）

分類

通過獲取示例樣品，程序現(xiàn)在將要求猜測該對象。該示例的使用與獲取訓練數(shù)據(jù)時是相同的功能讀取顏色傳感器，只是這一次它調(diào)用分類函數(shù)，當顯示顏色時，它將分類對象類：

readColor（color）; // Classify the object classification = myKNN.classify（color， K）;

您可以嘗試向其顯示一個對象，然后查看其效果：

Let me guess your object0.44，0.28，0.28You showed me an Apple

注意：這不是100％準確的，尤其是在物體表面變化或照明條件變化的情況下。我們也可以嘗試使用不同數(shù)量的實例、k的值以及不同的對象和環(huán)境，以查看其如何影響結(jié)果。 KNN如何運作？盡管Arduino_KNN庫完成了數(shù)學運算，但在為應(yīng)用程序選擇ML算法時，了解ML算法的工作原理很有用。簡而言之，KNN算法通過比較對象與先前看到的示例的接近程度來對對象進行分類。下面是一個示例圖表，其中包含平均每日溫度和濕度數(shù)據(jù)點。每個示例都標有一個季節(jié)：

為了對新對象（圖表上的“？”）進行分類，KNN分類器將查找它所看到的最相似的先前示例。由于在我們的示例中有兩個輸入，因此算法通過計算新對象與每個先前示例之間的距離來實現(xiàn)此目的。上面最接近的示例標記為“Winter”。 KNN中的k只是算法考慮的最接近示例的數(shù)量。在k = 3的情況下，它會計算三個最接近的示例。在上面的圖表中，該算法將對Spring投2票，對Winter投1票-因此結(jié)果將變?yōu)镾pring。

KNN的一個缺點是訓練示例數(shù)據(jù)的數(shù)量越大，每次對對象進行分類時，KNN算法需要花費的檢查時間就越長。這使得KNN對于大型數(shù)據(jù)集不太可行，并且是KNN與基于深度學習的方法之間的主要區(qū)別。

按顏色分類的對象

在我們的顏色分類器示例中，來自顏色傳感器的三個輸入。每個對象的示例顏色可被視為位于R、G和B軸上的三維空間中的點。像往常一樣，KNN算法通過檢查輸入與先前看到的示例的接近程度來猜測對象，但是由于這次有3個輸入，因此必須計算三維空間中的距離。數(shù)據(jù)的維數(shù)越多，計算分類結(jié)果的工作就越多。

進一步的想法

這只是對KNN可能實現(xiàn)的快速了解。我們可以在庫示例中找到一個有關(guān)電路板方向的示例，以及一個可以繼續(xù)使用的簡單示例。你也可以將BLE Sense板上的任何傳感器用作輸入，甚至可以將KNN與其他ML技術(shù)結(jié)合使用。

當然，還有其他可用于Arduino的機器學習資源，包括TensorFlow Lite教程以及專業(yè)工具（如Edge Impulse和Qeexo）的支持。在接下來我們將更多的在Arduino上探索機器學習。

原文標題：使用Arduino KNN進行簡單的機器學習

文章出處：【微信公眾號：FPGA入門到精通】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq