一种轻量且准确的分类器,可在来源有限的设备上使用

Posted

技术标签:

【中文标题】一种轻量且准确的分类器,可在来源有限的设备上使用【英文标题】:A light and accurate classifier which is doable on a device with limited sources 【发布时间】:2018-11-02 21:56:02 【问题描述】:

我有一个项目,我应该将来自多个传感器(基于时间序列的数据)(如陀螺仪)的数据分类为几个类。我在批处理场景中使用了几个分类器,包括 SVM、决策树、神经网络、KNN 等。我的最终目标是找到一个实时分类器,它准确、轻便,并且能够自我改进以在资源有限(CPU、RAM、..)的设备上实现它。我正在考虑一个半监督分类器,因为我可以在我的设备上保存一些标记数据并使用未来的数据点来改进我的分类器。有没有人有这方面的建议或经验?

【问题讨论】:

【参考方案1】:

在线学习非常具有挑战性。我建议您远离现在并使用批量学习。您始终可以在更新移动应用时更新模型,或者让应用每 x 天在您的服务器上查找新的更新模型。

现在,如何在资源有限的手机上高效运行机器学习算法。首先,您必须确定您使用的是哪个平台。我假设您想获得与平台无关的答案。大多数机器学习算法(lazy learning 除外)都可以在智能手机上高效运行,看看这个benchmarking experiment。

你有几个选择:

    ios:Here's a list 所有公开可用的机器学习库。 android:Weka for Android,这个库有大量的机器学习算法。 与平台无关的深度学习:Tensorflow,您可以将模型导出到TensorFlow lite (tutorial) 并将它们部署到任何移动操作系统和Caffe2 以训练深度学习模型并将它们导出到任何智能手机操作系统。李>

【讨论】:

感谢您的信息。但是,在批处理场景中,由于我没有任何真实场景,我如何更新模型? 首先收集您的数据。训练你的模型。导出和部署。重复。 @messi 如果您觉得这个答案有帮助,请点赞并将其选为最佳答案:) 这里的问题是我们标记的数据点很细,为了避免概念漂移,我们必须改进它。我正在考虑一个能够随着时间的推移而自我改进的模型,它可能是一个半监督模型。

以上是关于一种轻量且准确的分类器,可在来源有限的设备上使用的主要内容,如果未能解决你的问题,请参考以下文章

Pytorch应用:构建分类器

AdaBoost理解

MQTT协议规范

机器学习之朴素贝叶斯分类器

MIT韩松团队开发全新微型深度学习技术MCUNet,实现ImageNet超70%准确率,可在物联网设备高效运行

随机森林分类器