Q

需要為嵌入式AI模型提供多少樣本數據?

我在向客戶介紹如何使用AI方法設計一款客戶產品時，客戶理解，AI嵌入式項目的開發都是圍繞數據展開的，如此，我經常會被問到這樣的問題：客戶的工程師需要采集多少數據，才能形成合適的樣本集，進而開始訓練模型呢？

此時，回答“按需提供”或者“先試試看”似乎會變成一句車轱轆話，看似回答了問題，但客戶還是無從下手。

AI數據樣本的三個原則

這里，我以教孩子認識蘋果和鴨梨為例進行說明。假設一個小孩子不認識蘋果和鴨梨，在對真正的水果和鴨梨做判斷之前，我們只有一些蘋果和鴨梨的圖片可供孩子學習，此時可以做類比：

孩子用來記憶知識的大腦就是AI

預先準備好的圖片就是樣本

通過照片學習的過程就是訓練

脫離照片之后真的在一推水果里能挑選出蘋果和鴨梨的過程，就是推理過程。

好了，我們開始分析。

合適的AI數據集中的樣本數據，需要滿足如下的三個原則：

獨立性。在訓練的初期，盡量選擇用正常的蘋果鴨梨的照片給孩子用于學習，盡量避免使用各種畸形或者怪異的樣本影響孩子的第一印象。如果客觀存在似是而非的情況，我們甚至可以專門為這些特殊的樣本設計第三個分類“不確定”，從而避免對正常樣本的判斷。

平衡性。在提供樣本數量上，盡量讓不同分類的樣本平均分配，例如，如果提供100張蘋果和100張鴨梨的照片，孩子能夠公平地對蘋果和鴨梨都建立相當的印象。但如果用100張蘋果和1張鴨梨的照片提供給孩子學習，孩子對蘋果的印象更加深刻而忽略掉那唯一的一張鴨梨的照片。在實際判別時，也會更傾向于將他看到的任何類似的水果判定為蘋果。

顯著統計性。由于樣本是人工或者外力參與標定的，在反應客觀規律的時候，也可能存在系統偏差，出現少量的異常，或者在信號分析的領域里稱為“噪聲點”。因此，在用于訓練AI模型之前對數據進行預處理的環節，也會利用統計學規律對數據進行初步篩選，例如，使用正態分布的規律，對某一分類下的所有樣本中，遠離平均水平（明顯不靠譜）的數據剔除，否則在后期訓練中容易出現“過擬合”的情況，從而導致最終訓練的AI模型的規模異常增大，并且也有可能偏離實際的規律。

在具體實踐過程中，需要系統專家設計好標定環境，需要人工標注樣本數據的分類，相當于，先為測試考核提供提供參考答案。這涉及到硬件電路系統和軟件工具鏈的搭建工作。

然后，在滿足這三個的基礎上，可以根據實際情況采集少量樣本。實際上，嵌入式系統的數據量通常都比較大產生速度也比較快，例如，在使用AI方法在拉弧檢測的應用中，使用500KSps的ADC采樣率，每秒鐘就可以采集到一條包含50萬個數據點的，而用于判定拉弧的采樣窗口大多在1ms以內，500個采樣點就可以構成一個標定為“有拉弧”或者“無拉弧”的樣本，如果不考慮窗口重疊的情況，每秒鐘就至少可以產生1千條樣本。如此可以看出，在初期很容易獲得數量相當的樣本。

之后，算法工程師使用獲取的樣本集構建AI模型并訓練，試著描述樣本數據的規律，通過分析模型的訓練結果（例如準確率、推理時間等性能），對進一步采集數據提供指導。

如此反復多次，直到AI模型的準確率、性能等指標達到預期，即可收斂。

通過迭代摸索數據的門道

所以，簡而言之的回答，還是“先采集數據，試試看訓練模型，然后逐漸摸索出門道，在循環迭代的過程中完善數據集，最終達到產品要求即可”。