描述

團隊成員

鐘志哲 (cc128)

程文白 (wc47)

黃偉豪（wh28）

目標

我們使用 Arduino Nano 33 構(gòu)建了一個嵌入式語音識別應用程序，將一秒鐘的語音作為輸入并對其進行分類。

為了更容易運行腳本，筆記本的第一個單元格在環(huán)境變量中存儲了一些重要的值。這些將在運行時替換到腳本的命令行標志中。

WANTED_WORDS 允許我們選擇用于訓練模型的單詞。默認情況下，選擇的詞是“是”和“否”。我們的模型選擇了“stop”和“go”。

TRAINING_STEPS 是指一批訓練數(shù)據(jù)將通過網(wǎng)絡運行的次數(shù)，以及更新其權(quán)重和偏差的次數(shù)。LEARNING_RATE 設置調(diào)整率。默認情況下，模型將以 0.001 的學習率訓練 15, 000 步，然后以 0.0001 的學習率訓練 3, 000 步。我們的模型以 0.001 的學習率訓練了 12,000 步，然后以 0.0001 的學習率訓練了 3,000 步。

安裝正確的依賴項

安裝包含訓練所需操作的特定版本的 TensorFlow pip 包。

克隆相應版本的 TensorFlow GitHub 存儲庫，以便我們可以訪問訓練腳本。

使用 TensorBoard 監(jiān)控訓練

它是一個用戶界面，可以向我們展示圖表、統(tǒng)計數(shù)據(jù)和其他有關培訓進展情況的見解。

例如，TensorBoard 顯示了兩個圖表，“accuracy”和“cross_entropy”，如圖 2 和圖 3 所示。

圖 2 “準確度”圖

?

圖 3 “cross_entropy”圖

?

“準確度”圖在其 y 軸上顯示模型的準確度，這表明它能夠正確檢測到一個單詞的時間。“cross_entropy”圖顯示了模型的損失，它量化了模型預測與正確值的差距。

將訓練輸出轉(zhuǎn)換為我們可以使用的模型

首先，將凍結(jié)的圖形文件轉(zhuǎn)換為完整的 TensorFlow Lite 模型。

其次，將 TensorFlow Lite 模型轉(zhuǎn)換為 C 數(shù)組。

在我們的項目中使用我們新訓練的模型

更換模型

替換數(shù)組的內(nèi)容和 micro_features_model.cpp 文件中常量 g_tiny_conv_micro_features_model_data_len 的值。

更新標簽

將“是”和“否”換成“去”和“停止”。在 arduino_command_responder.cpp 文件中。

更新 arduino/command_responder.cpp

用“g”和“s”交換“y”和“n”。

編譯并上傳板子

圖4 編譯上傳板子

?

測試功能

圖 5 串行監(jiān)視器

?

?