如何使用Arduino KNN库进行简单的机器学习？

除了像TensorFlow for Arduino这样强大的深度学习架构外，还有一些经典的ML方法适用于嵌入式设备上的较小数据集，这些方法有用且易于理解-最简单的方法之一就是KNN。

KNN的一个优势在于，一旦Arduino获得了一些示例数据，就可以立即对其进行分类。我们已经发布了一个新的Arduino库，可以快速轻松地将KNN导入在程序中，且无需进行设备外培训或其他工具。

在本文中，我们将使用颜色分类器示例来介绍KNN。之前在深度学习中我们展示过相同的应用程序，相比之下，KNN是一种更快、更轻量的方法，但无法扩展到更大，更复杂的数据集。

颜色分类示例

在本教程中，我们将介绍如何使用Arduino Nano 33 BLE Sense上的Arduino_KNN库按颜色对其对象进行分类。

在进行配置时我们将需要进行以下准备：

Arduino Nano 33 BLESense开发板

MicroUSB数据线

打开Arduino IDE或Arduino Create的云端编译器

安装Arduino_KNN库

从文件》示例》 Arduino_KNN中选择ColorClassifier

编译程序并上传到您的Arduino开发板

Arduino_KNN库

该示例使用了Arduino_KNN库，该库提供了一个简单的界面，可在我们自己的程序中使用KNN：

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

在本示例中，INPUTS = 3 用来表示颜色传感器的R、G和B值。

采样对象颜色

当打开串行监视器时会看到以下消息：

Arduino KNN color classifierShow me an example Apple

Arduino开发板已准备好采样对象颜色。如果你没有苹果，梨或者橙子，则可能需要通过编辑程序来放置不同的标签。颜色传感器最好在光线充足的房间中处理粗糙，无光泽的物体，并且每个类别都必须具有不同的颜色！（颜色传感器并不是区分橙色和橘子的理想选择，但是它可以检测到橙子的成熟程度。如果要按形状对物体进行分类，则可以始终使用相机。）

当Arduino开发板靠近对象时，它将对颜色进行采样并将其添加到KNN示例中，并带有标记对象所属类的数字（即代表苹果，橙子或梨的数字0、1或2）。提供标记的示例数据的ML技术也称为监督学习。

程序中用于将示例数据添加到KNN函数的代码如下：

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

颜色样本的红色，绿色和蓝色级别也通过串口输出：

程序为每个对象获取30个颜色样本。可以向其显示一个对象，它将对颜色进行30次采样-本教程不需要30个苹果！（尽管更广泛的数据集将使模型更通用）

分类

通过获取示例样品，程序现在将要求猜测该对象。该示例的使用与获取训练数据时是相同的功能读取颜色传感器，只是这一次它调用分类函数，当显示颜色时，它将分类对象类：

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

您可以尝试向其显示一个对象，然后查看其效果：

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

注意：这不是100％准确的，尤其是在物体表面变化或照明条件变化的情况下。我们也可以尝试使用不同数量的实例、k的值以及不同的对象和环境，以查看其如何影响结果。 KNN如何运作？尽管Arduino_KNN库完成了数学运算，但在为应用程序选择ML算法时，了解ML算法的工作原理很有用。简而言之，KNN算法通过比较对象与先前看到的示例的接近程度来对对象进行分类。下面是一个示例图表，其中包含平均每日温度和湿度数据点。每个示例都标有一个季节：

为了对新对象（图表上的“？”）进行分类，KNN分类器将查找它所看到的最相似的先前示例。由于在我们的示例中有两个输入，因此算法通过计算新对象与每个先前示例之间的距离来实现此目的。上面最接近的示例标记为“Winter”。 KNN中的k只是算法考虑的最接近示例的数量。在k = 3的情况下，它会计算三个最接近的示例。在上面的图表中，该算法将对Spring投2票，对Winter投1票-因此结果将变为Spring。

KNN的一个缺点是训练示例数据的数量越大，每次对对象进行分类时，KNN算法需要花费的检查时间就越长。这使得KNN对于大型数据集不太可行，并且是KNN与基于深度学习的方法之间的主要区别。

按颜色分类的对象

在我们的颜色分类器示例中，来自颜色传感器的三个输入。每个对象的示例颜色可被视为位于R、G和B轴上的三维空间中的点。像往常一样，KNN算法通过检查输入与先前看到的示例的接近程度来猜测对象，但是由于这次有3个输入，因此必须计算三维空间中的距离。数据的维数越多，计算分类结果的工作就越多。

进一步的想法

这只是对KNN可能实现的快速了解。我们可以在库示例中找到一个有关电路板方向的示例，以及一个可以继续使用的简单示例。你也可以将BLE Sense板上的任何传感器用作输入，甚至可以将KNN与其他ML技术结合使用。

当然，还有其他可用于Arduino的机器学习资源，包括TensorFlow Lite教程以及专业工具（如Edge Impulse和Qeexo）的支持。在接下来我们将更多的在Arduino上探索机器学习。

原文标题：使用Arduino KNN进行简单的机器学习

文章出处：【微信公众号：FPGA入门到精通】欢迎添加关注！文章转载请注明出处。

责任编辑：haq