LAT1339 AFCI应用笔记三、使用mlflow管理模型

简介

由于 AI 神经网络涉及多种参数，需要频繁修改各种超参数，比如：learning rate，batchsize，filter numbers，alpha 等等，每个参数都有可能影响到模型最终的准确率，所以比较这些参数之间的差异，并且进行记录和保存，是 AI 算法优化必需的流程。

本文将介绍 python 的一个库：mlflow，可以使 AI 实验的效率更高，提供一种更方便的比较方法。

mlflow

mlflow 作为机器学习生命周期的管理包，提供了完整的 AI 开发部署工作流程以及可视化管理。

测试结果

以 AFCI 为例，实践中可能会遇到这样的问题：电流数据的采样率如何设置，分帧长度如何设置，是否需要使用 FFT 等。

这些超参数的设置都很难解释，他严重依赖于具体的数据，实践中可以以测试结果为准。

下面将介绍使用采集到的原始数据进行测试，原始 ADC 采集数据使用了 400KHz 采样率，那么通过降采样很容易得到 200KHz 采样率的数据。同时将分别测试 FFT 和不使用 FFT，帧长设置分别为 512,1024,2048,4096。

总结

从上面的分析，可以得到以下基本的信息：

1. 超参数的选择不是一件容易的事情，需要大量的实验以得到稳定可靠的结论。
2. 模型实验对数据的质量要求很高，稳定可靠的数据才能得到可靠的结论，否则实际部署会存在较大差异。

3. 从文中图中可以看到，不一定采样率越高越好，帧长越长越好，相反，较低的采样率和帧长可以大大节省 Flash 和 Ram 的空间，以及减少推断时间。

目前测试进行的实验次数仍然较少，可能得到的结论不一定非常准确，本文中的实验全部使用了相同的数据集和相同的网络模型，以减少评估参数。客户可以根据实际需要，使用更多的模型，更多的测试参数进行实验。