使用Python和Arduino在ESP32上预测正弦函数

引言

在嵌入式系统中，使用机器学习进行预测和推理的需求越来越普遍。在本文中，我们将介绍如何使用Python和Arduino配合，在ESP32开发板上预测正弦函数。我们将使用Python训练一个神经网络模型，并将其转换为TensorFlow Lite格式，然后将模型加载到ESP32上进行推理。

简介

本教程旨在帮助您了解如何使用Python和Arduino在ESP32上进行机器学习推理。我们将训练一个能够预测正弦函数的神经网络模型，并将其转换为TensorFlow Lite格式，然后使用Arduino加载模型，并在ESP32上进行预测。这对于嵌入式系统中的智能传感器、边缘计算等应用非常有用。

1. 训练模型

首先，我们需要编写Python代码来训练神经网络模型。在代码中，我们使用NumPy生成正弦函数的样本数据，并使用TensorFlow库构建和训练模型。

代码中需要用到tensorflow库，可通过以下命令安装

pip install tensorflow

python代码

import math
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers


def get_model():
    SAMPLES = 1000
    np.random.seed(1337)
    x_values = np.random.uniform(low=0, high=2*math.pi, size=SAMPLES)
    # shuffle and add noise
    np.random.shuffle(x_values)
    y_values = np.sin(x_values)
    y_values += 0.1 * np.random.randn(*y_values.shape)

    # split into train, validation, test
    TRAIN_SPLIT = int(0.6 * SAMPLES)
    TEST_SPLIT = int(0.2 * SAMPLES + TRAIN_SPLIT)
    x_train, x_test, x_validate = np.split(x_values, [TRAIN_SPLIT, TEST_SPLIT])
    y_train, y_test, y_validate = np.split(y_values, [TRAIN_SPLIT, TEST_SPLIT])

    # create a NN with 2 layers of 16 neurons
    model = tf.keras.Sequential()
    model.add(layers.Dense(16, activation='relu', input_shape=(1,)))
    model.add(layers.Dense(16, activation='relu'))
    model.add(layers.Dense(1))
    model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
    model.fit(x_train, y_train, epochs=200, batch_size=16,
              validation_data=(x_validate, y_validate))
    return model


model = get_model()
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]
tflite_model = converter.convert()

# Save the model to disk
open("sine_model.tflite", "wb").write(tflite_model)

运行代码后，会在当前目录生成一个名为sine_model.tflite的模型文件

代码解释

代码的功能是创建一个用于预测正弦函数的神经网络模型，并将该模型转换为TensorFlow Lite格式并保存到磁盘上。

下面是代码的详细解释：

• 导入必要的库：

import math
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

• 定义一个函数get_model()，用于创建和训练神经网络模型，并返回该模型：

def get_model():

• 设置样本数量和随机种子：

    SAMPLES = 1000
    np.random.seed(1337)

• 生成x值，并进行洗牌和添加噪声：

    x_values = np.random.uniform(low=0, high=2*math.pi, size=SAMPLES)
    np.random.shuffle(x_values)

• 生成对应的y值（正弦函数的值）并添加噪声：

    y_values = np.sin(x_values)
    y_values += 0.1 * np.random.randn(*y_values.shape)

• 将数据分割为训练集、验证集和测试集：

    TRAIN_SPLIT = int(0.6 * SAMPLES)
    TEST_SPLIT = int(0.2 * SAMPLES + TRAIN_SPLIT)
    x_train, x_test, x_validate = np.split(x_values, [TRAIN_SPLIT, TEST_SPLIT])
    y_train, y_test, y_validate = np.split(y_values, [TRAIN_SPLIT, TEST_SPLIT])

• 创建一个包含两个具有16个神经元的隐藏层的神经网络模型：

    model = tf.keras.Sequential()
    model.add(layers.Dense(16, activation='relu', input_shape=(1,)))
    model.add(layers.Dense(16, activation='relu'))
    model.add(layers.Dense(1))

• 编译模型，指定优化器、损失函数和评估指标：

    model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])

• 使用训练集数据训练模型：

    model.fit(x_train, y_train, epochs=200, batch_size=16, validation_data=(x_validate, y_validate))

• 返回训练好的模型：

    return model

• 调用get_model()函数获取训练好的模型：

model = get_model()

• 创建一个TFLite转换器并将模型转换为TensorFlow Lite格式：

converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.OPTIMIZE_FOR_SIZE]
tflite_model = converter.convert()

• 将转换后的模型保存到本地：

open("sine_model.tflite", "wb").write(tflite_model)

总结来说，这段代码的作用是创建一个用于预测正弦函数的神经网络模型，通过训练模型来拟合正弦函数的数据，并将训练好的模型转换为TensorFlow Lite格式并保存到磁盘上，以便在资源受限的设备上进行部署和推理。

2. 转换模型

在将模型转换为TensorFlow Lite格式后，我们可以使用xxd命令将.tflite文件转换为C矩阵头文件。这样做的好处是，我们可以将模型以C数组的形式嵌入到Arduino代码中，方便加载和使用。

请按照以下步骤执行转换：

1. 打开终端或命令提示符，并导航到存储sine_model.tflite文件的目录。
2. 运行以下命令将模型转换为C矩阵头文件：

xxd -i sine_model.tflite > sine_model.h

xxd是一个Linux命令，Windows安装了git就有，可使用everything自行搜索xxd.exe，将其所在目录添加到环境变量中即可使用xxd命令。

1. 这将生成一个名为sine_model.h的文件，其中包含模型的C数组表示形式。
2. 将生成的sine_model.h文件复制到Arduino项目的目录中。

3. 使用模型

现在，我们将转向Arduino部分，将训练好的模型加载到ESP32上，并进行正弦函数的预测。

环境

示例程序具体分以下几个步骤：

1. 引入库和头文件 在Arduino IDE中，我们需要引入EloquentTinyML库和模型头文件。这些库提供了在ESP32上加载和运行TensorFlow Lite模型的功能。

   这里我是通过arduinolibraries网站检索并下载EloquentTinyML-0.0.10.zip

   

2. 定义模型和参数 我们需要定义模型的输入和输出数量，以及Tensor Arena的大小。这些参数决定了模型的输入输出维度和所需的内存空间。

3. 设置和初始化模型 在Arduino的setup()函数中，我们初始化串口通信，并使用EloquentTinyML库的begin()函数加载模型。

4. 循环预测 在loop()函数中，我们使用随机生成的x值计算实际的正弦函数值，并使用模型预测对应的y值。我们将实际值和预测值通过串口打印出来，并延迟一段时间后重复这个过程。

示例esp32代码

#include <Arduino.h>

// https://github.com/eloquentarduino/EloquentTinyML  Version:0.0.10
#include <EloquentTinyML.h>
// sine_model.h contains the array you exported from the previous step with xxd or tinymlgen
#include "sine_model.h"

#define NUMBER_OF_INPUTS 1
#define NUMBER_OF_OUTPUTS 1
// in future projects you may need to tweek this value: it's a trial and error process
#define TENSOR_ARENA_SIZE 2 * 1024

Eloquent::TinyML::TfLite<NUMBER_OF_INPUTS, NUMBER_OF_OUTPUTS, TENSOR_ARENA_SIZE> ml;

void setup()
{
  Serial.begin(115200);
  ml.begin(sine_model_tflite);
}

void loop()
{
  // pick up a random x and predict its sine
  float x = 3.14 * random(100) / 100;
  float y = sin(x);
  float input[1] = {x};
  float predicted = ml.predict(input);

  Serial.print("sin(");
  Serial.print(x);
  Serial.print(") = ");
  Serial.print(y);
  Serial.print("\t predicted: ");
  Serial.println(predicted);
  delay(100);
}

代码解释

这段代码是ESP32的Arduino代码，用于加载和运行之前在Python中训练并转换为TensorFlow Lite格式的模型，以进行正弦函数预测。

以下是代码的详细解释：

1. 引入必要的库和头文件：

#include <Arduino.h>
#include <EloquentTinyML.h>
#include "sine_model.h"

1. 定义输入和输出的数量：

#define NUMBER_OF_INPUTS 1
#define NUMBER_OF_OUTPUTS 1

1. 定义Tensor Arena的大小，用于分配内存空间给模型：

#define TENSOR_ARENA_SIZE 2 * 1024

1. 创建TinyML对象并设置模型数据：

Eloquent::TinyML::TfLite<NUMBER_OF_INPUTS, NUMBER_OF_OUTPUTS, TENSOR_ARENA_SIZE> ml;

1. 在setup()函数中初始化串口通信和TinyML模型：

void setup()
{
  Serial.begin(115200);
  ml.begin(sine_model_tflite);
}

1. 在loop()函数中进行循环预测：

void loop()
{
  // 随机选择一个x值并预测其正弦值
  float x = 3.14 * random(100) / 100;
  float y = sin(x);
  float input[1] = {x};
  float predicted = ml.predict(input);

  Serial.print("sin(");
  Serial.print(x);
  Serial.print(") = ");
  Serial.print(y);
  Serial.print("\t predicted: ");
  Serial.println(predicted);
  delay(100);
}

在每次循环中，它会随机选择一个x值，计算该x值的正弦值，并将其作为实际值y进行打印。然后，它将x值作为输入传递给TinyML模型的predict()函数，并将预测值打印出来。之后，它会延迟100毫秒，然后重复这个过程。

通过这段代码，ESP32可以利用之前训练好的TensorFlow Lite模型来进行正弦函数的预测，并将实际值和预测值输出到串口供观察和调试。

示例效果

代码运行在合宙的esp32c3 ，可见预测结果在一定程度还是挺准的，以上就是使用Python和Arduino在ESP32上预测正弦函数的流程。

本栏目推荐文章
• Python学习笔记
• 函数的参数类型
• 【C语言】函数的递归调用
• python字典的使用
• python字符串方法
• python列表和元组使用介绍
• python | 小游戏 开局托儿所 自动化脚本 pyautogui
• python中的Map和Filter
• python-爬元气桌面壁纸
• python中的*args**和**kwargs

正弦 函数 Arduino Python ESP正弦 函数arduino python arduino lvgl esp 32s 寄存器arduino环境esp esp arduino环境8266 arduino oled esp iic 传感器arduino esp dht arduino环境serial esp arduino adc esp 32 arduino 177 esp 32 参数arduino eeprom esp