LAT1339 AFCI應用筆記三、使用mlflow管理模型

簡介

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

本文將介紹 python 的一個庫：mlflow，可以使 AI 實驗的效率更高，提供一種更方便的比較方法。

mlflow

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

測試結果

以 AFCI 為例，實踐中可能會遇到這樣的問題：電流數(shù)據(jù)的采樣率如何設置，分幀長度如何設置，是否需要使用 FFT 等。

這些超參數(shù)的設置都很難解釋，他嚴重依賴于具體的數(shù)據(jù)，實踐中可以以測試結果為準。

下面將介紹使用采集到的原始數(shù)據(jù)進行測試，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)。同時將分別測試 FFT 和不使用 FFT，幀長設置分別為 512,1024,2048,4096。

總結

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，需要大量的實驗以得到穩(wěn)定可靠的結論。
2. 模型實驗對數(shù)據(jù)的質量要求很高，穩(wěn)定可靠的數(shù)據(jù)才能得到可靠的結論，否則實際部署會存在較大差異。

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

目前測試進行的實驗次數(shù)仍然較少，可能得到的結論不一定非常準確，本文中的實驗全部使用了相同的數(shù)據(jù)集和相同的網(wǎng)絡模型，以減少評估參數(shù)。客戶可以根據(jù)實際需要，使用更多的模型，更多的測試參數(shù)進行實驗。