本教程介绍了如何将机器学习与 Arduino 结合使用。在微控制器上运行由TinyML构建的机器学习语音识别模型，控制Arduino机器车运行。

https://embed.notionlytics.com/wt/ZXlKd1lXZGxTV1FpT2lJeU16SmpaalExT0RkaE1HVTBOMkZrWW1OaE4yRXhNREUzTURReE5qQTVPU0lzSW5kdmNtdHpjR0ZqWlZSeVlXTnJaWEpKWkNJNklsZHNTR2hsVEZSUFdXeHpaVmRhUW1ZNU1YQmxJbjA9

要构建这个项目，至少有两个步骤：

• 训练一个新的机器学习模型并使其适应在 Arduino 上运行
• 使用上一步训练的 Tensorflow Lite 构建汽车

您可能已经知道，我们无法在 Arduino 上直接运行 Tensorflow 模型，因为该设备资源有限。 因此，在训练模型后，有必要缩小它的大小。 我们将逐步描述如何构建模型，然后如何以与 Arduino 兼容的方式对其进行转换。

构建TinyML模型

如前所述，该项目使用了本教程中已经完成的工作。您可能已经知道，构建在 Arduino 上运行的机器学习模型需要遵循几个步骤。下面是此步骤的列表：

• 定义要使用的模型
• 训练模型
• 冻结模型
• 量化模型
• 转换成与Arduino兼容的Tensorflow模型

TinyML介绍

为了使用 Arduino 识别语音命令，我们需要一个使用 CNN 的 Tensorflow 模型。 第一步是获取语音并对其应用 FFT（快速傅里叶变换）。 使用快速傅立叶变换提取的数据将提供给 CNN。 识别命令的问题是一个分类问题。

训练模型

• 一开始需要指定我们要识别的命令或单词。这些是标签。在这个例子中，由于我们想使用语音命令控制汽车，我们将实现 4 个不同的命令：
  • go
  • stop
  • left
  • right
• 接下来需要安装 Tensorflow。您会注意到它不会安装最新版本。此版本将创建与 Arduino 兼容的 Tensorflow 模型
• 之后，需要克隆 TensorFlow 存储库。我们将使用它来运行训练过程
• 最后，运行模型。 要运行模型，需要提供一些参数。 我建议你不要改变它们。 训练过程大约需要 2 个小时，所以请放轻松。 无论如何，您可以通过更改 TRAINING_STEPS 使其减短时间。 更改此值时要小心，因为它会使模型不太准确。