描述

團(tuán)隊成員

鐘志哲 (cc128)

程文白 (wc47)

黃偉豪（wh28）

目標(biāo)

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

WANTED_WORDS 允許我們選擇用于訓(xùn)練模型的單詞。默認(rèn)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(xùn)練數(shù)據(jù)將通過網(wǎng)絡(luò)運行的次數(shù)，以及更新其權(quán)重和偏差的次數(shù)。LEARNING_RATE 設(shè)置調(diào)整率。默認(rèn)情況下，模型將以 0.001 的學(xué)習(xí)率訓(xùn)練 15, 000 步，然后以 0.0001 的學(xué)習(xí)率訓(xùn)練 3, 000 步。我們的模型以 0.001 的學(xué)習(xí)率訓(xùn)練了 12,000 步，然后以 0.0001 的學(xué)習(xí)率訓(xùn)練了 3,000 步。

安裝正確的依賴項

安裝包含訓(xùn)練所需操作的特定版本的 TensorFlow pip 包。

克隆相應(yīng)版本的 TensorFlow GitHub 存儲庫，以便我們可以訪問訓(xùn)練腳本。

使用 TensorBoard 監(jiān)控訓(xùn)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(guān)培訓(xùn)進(jìn)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(zhǔn)確度”圖

?

圖 3 “cross_entropy”圖

?

“準(zhǔn)確度”圖在其 y 軸上顯示模型的準(zhǔn)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(yù)測與正確值的差距。

將訓(xùn)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(xùn)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(biāo)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

?

?