LAT1339 AFCI應(yīng)用筆記三、使用mlflow管理模型

簡(jiǎn)介

由于 AI 神經(jīng)網(wǎng)絡(luò)涉及多種參數(shù)，需要頻繁修改各種超參數(shù)，比如：learning rate，batchsize，filter numbers，alpha 等等，每個(gè)參數(shù)都有可能影響到模型最終的準(zhǔn)確率，所以比較這些參數(shù)之間的差異，并且進(jìn)行記錄和保存，是 AI 算法優(yōu)化必需的流程。

本文將介紹 python 的一個(gè)庫：mlflow，可以使 AI 實(shí)驗(yàn)的效率更高，提供一種更方便的比較方法。

mlflow

mlflow 作為機(jī)器學(xué)習(xí)生命周期的管理包，提供了完整的 AI 開發(fā)部署工作流程以及可視化管理。

測(cè)試結(jié)果

以 AFCI 為例，實(shí)踐中可能會(huì)遇到這樣的問題：電流數(shù)據(jù)的采樣率如何設(shè)置，分幀長(zhǎng)度如何設(shè)置，是否需要使用 FFT 等。

這些超參數(shù)的設(shè)置都很難解釋，他嚴(yán)重依賴于具體的數(shù)據(jù)，實(shí)踐中可以以測(cè)試結(jié)果為準(zhǔn)。

下面將介紹使用采集到的原始數(shù)據(jù)進(jìn)行測(cè)試，原始 ADC 采集數(shù)據(jù)使用了 400KHz 采樣率，那么通過降采樣很容易得到 200KHz 采樣率的數(shù)據(jù)。同時(shí)將分別測(cè)試 FFT 和不使用 FFT，幀長(zhǎng)設(shè)置分別為 512,1024,2048,4096。

總結(jié)

從上面的分析，可以得到以下基本的信息：

1. 超參數(shù)的選擇不是一件容易的事情，需要大量的實(shí)驗(yàn)以得到穩(wěn)定可靠的結(jié)論。
2. 模型實(shí)驗(yàn)對(duì)數(shù)據(jù)的質(zhì)量要求很高，穩(wěn)定可靠的數(shù)據(jù)才能得到可靠的結(jié)論，否則實(shí)際部署會(huì)存在較大差異。

3. 從文中圖中可以看到，不一定采樣率越高越好，幀長(zhǎng)越長(zhǎng)越好，相反，較低的采樣率和幀長(zhǎng)可以大大節(jié)省 Flash 和 Ram 的空間，以及減少推斷時(shí)間。

目前測(cè)試進(jìn)行的實(shí)驗(yàn)次數(shù)仍然較少，可能得到的結(jié)論不一定非常準(zhǔn)確，本文中的實(shí)驗(yàn)全部使用了相同的數(shù)據(jù)集和相同的網(wǎng)絡(luò)模型，以減少評(píng)估參數(shù)?？蛻艨梢愿鶕?jù)實(shí)際需要，使用更多的模型，更多的測(cè)試參數(shù)進(jìn)行實(shí)驗(yàn)。