工作流程：

?

我們將從 TensorFlow Keras Sequential 模型開始該過程，之后我們會將其轉換為專為微控制器構建的 TensorFlow Lite。然后我們將從 TensorFlow Lite 轉換器生成一個 C 數(shù)組。這個 C 數(shù)組包含將部署到邊緣設備的訓練模型。

程序

在這個項目中，如果傳感器無法生成數(shù)據(jù)，我們將同時預測溫度和濕度。首先，我們將使用濕度。

1. 構建 TensorFlow 模型

讓我們導入必要的模塊

import tensorflow as tf
from tensorflow.keras import layers
import pandas as pd

現(xiàn)在讓我們從數(shù)據(jù)集中分離自變量和因變量，并將它們分別存儲在“x”和“y”中。

dataset = pd.read_csv("dataset_humidity.csv")
x = dataset.iloc[:,:-1].values
y = dataset.iloc[:,-1:].values

現(xiàn)在從 Keras 序列中，我們將創(chuàng)建一個具有 2 層 16 個神經(jīng)元的神經(jīng)網(wǎng)絡模型，該模型具有“relu”激活功能。并通過“fit”函數(shù)訓練模型，繞過模型的“x”和“y”值。訓練后，我們將模型存儲到具有“保存”功能的文件中，如下所示。

model = tf.keras.Sequential()
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1))
model.compile(optimizer='rmsprop', loss='mse', metrics=['mse'])
model.fit(x, y, epochs=1000, batch_size=16)
model.save('Humidity_predictor_model')

現(xiàn)在，我們終于使用 Tensorflow Keras 創(chuàng)建并訓練了我們的神經(jīng)網(wǎng)絡模型。

2. 將 TF 模型轉換為 TF Lite 模型

現(xiàn)在我們將保存的 TF 模型轉換為 TF Lite 并將其保存為擴展名為'.tflite'的文件。為了優(yōu)化，讓我們使用'tf.lite.Optimize.DEFAULT'來避免錯誤。

load_model = tf.keras.models.load_model('Humidity_predictor_model')
converter = tf.lite.TFLiteConverter.from_keras_model(load_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()
open("humidity_predictor.tflite", "wb").write(tflite_model)

3. 生成 TF Lite 模型到 C 數(shù)組

我們將使用 Linux 命令“ xxd ”將 TF Lite 模型轉換為 C 數(shù)組。此命令將文件或數(shù)據(jù)轉換為其等效的十六進制格式。這被稱為“十六進制轉儲”。

在上一步中生成的“.tflite”文件將作為“ xxd ”命令的輸入，對于輸出，我們將指定帶有擴展名的文件名。在這里，我將指定“.h”作為文件擴展名。您可以使用其他格式，例如“ .cc ”。

xxd -i humidity_predictor.tflite > humidity_predictor.h

由于 DHT11 傳感器同時讀取濕度和溫度。我們將預測這兩個值。到目前為止，您只為濕度準備了文件。對于溫度，重復從開始到這里的所有步驟，以獲得您的溫度 C 陣列。

如果您收到任何錯誤，請訪問此 GitHub 存儲庫以查找確切代碼。https://github.com/MohithGowdaHR/Edge_Computing.git

您將在“ Edge_Computing ”存儲庫的“ Models ”目錄中找到代碼。

4. 部署到邊緣設備

電路連接

?

ESP32              DHT11
5V         -       VCC
GND        -       GND
DIO4       -       DATA

現(xiàn)在我們將導入所需的庫。

#include "EloquentTinyML.h"
#include
#include "temperature_predictor.h"
#include "humidity_predictor.h"
#include "DHT.h"

這里前面步驟中生成的temperature_predictor.h和濕度_predictor.h應該存儲在創(chuàng)建'.ino'文件的同一目錄中，如下圖所示。

?

創(chuàng)建一個 TensorFlowlite 庫實例，如下面的代碼所示。

Eloquent::TinyML::TfLite,> temprature(temperature_predictor_tflite);
Eloquent::TinyML::TfLite3,> * 1024> humudity(humidity_predictor_tflite);

如果傳感器無法讀取這些值，我們將對其進行預測，直到傳感器返回。作為模型的輸入，我們將傳遞拼接的日期時間和之前記錄的溫度和濕度值。

float h = dht.readHumidity();
float t = dht.readTemperature(true);
delay(1000);
if (isnan(h) || isnan(t) ) {
Serial.println(F("Failed to read from DHT sensor!"));
float input_array[8] = {2020 , 5, 26, 11,  30, 0,  prevtemp,  prevhum}; //use RTC module or GPS module to get realtime date and time
float input_array2[8] = {2020 , 2, 4, 6,  40, 0,  prevhum,  prevtemp}; //year,month,day,hour,min,sec,temp,hum
float hum = humudity.predict( input_array2);
float temp = temprature.predict( input_array);
prevhum = hum;
prevtemp = temp;
Serial.print("\t predicted humidity: ");
Serial.println(hum);
Serial.print("\t predicted temp: ");
Serial.println(temp);
delay(1000);
return;
}
else
{
Serial.print("\t humidity: ");
Serial.println(h);
Serial.print("\t  temp: ");
Serial.println(t);
prevtemp = t;
prevhum = h;
}

結果：

?

最后，我們完成了！

現(xiàn)在我們將從邊緣設備記錄連續(xù)不間斷的值。