找回密码
立即注册
搜索
发回帖 发新帖

6696

积分

0

好友

844

主题
发表于 9 小时前 | 查看: 3| 回复: 0
  • 4MB 指的是 Flash,不是内存;MicroPython 运行后,空闲堆约为 100KB。
  • 纯 Python 每秒完成约 16.7 万次乘加,viper 版本快约 20 倍。
  • 最终没有使用神经网络,而是用几十行统计代码完成温湿度异常检测,单次判断耗时 6.6 毫秒。

先把 4MB 说清楚

这块 ESP32-C3-PRO 标注的 4MB 是 Flash 容量,很容易和运行内存混淆。我在板上查到:文件系统总共 1072KB,还剩 456KB;SRAM 标称 400KB,MicroPython 启动后空闲堆约 109KB。

因此,真正要算的是两笔账:内存一次能分配多少,Flash 又能放下多少权重。

先看看板上能用什么:没有 ulab、numpy,也没有 TFLite Micro 的 Python 绑定;现成可用的是 array、struct、math,以及 MicroPython 自带的 native、viper 装饰器。选择基本就两条:用 Python 写,或者换成 C 固件重来。

测一下到底能算多快

我直接在板上跑了几个循环。方法不复杂:对两组数字做内积,统计每秒能完成多少次乘加(MAC)。乘加是神经网络中的基本操作之一,可以借此粗略估算不同模型规模的计算耗时。

写法 内积速度 相对纯 Python
纯 Python 167 MAC/ms 1 倍
@micropython.native 288 MAC/ms 1.7 倍
@micropython.viper 3318 MAC/ms 20 倍
卷积式滑动内积(100 抽头) 62 MAC/ms 0.37 倍

167 MAC/ms 换算下来,每秒约 16.7 万次。拿一个 64×64 的全连接层作参照,它需要 4096 次乘加:纯 Python 约需 24 毫秒,viper 版本实测 1.38 毫秒。

带下标寻址的卷积式循环反而慢了一半多,因为在这类 MicroPython 循环里,每次读取列表元素都要经过对象操作。

另外还测了几个限制:单次分配 32KB 成功,64KB 失败;从 Flash 读取 16KB 需要 10.6ms;sqrt、sin、exp 分别需要 19µs、32µs、46µs。受内存限制,较大的模型权重需要考虑按层读取,不能直接全部铺进堆里。

这里还有一个坑。hasattr(micropython, "native") 在这块板上返回 False,getattr 也报错,容易让人误以为固件不支持加速。但实际写上装饰器后,它不仅能运行,viper 版本还快了约 20 倍。至少在这份厂家固件上,只用 hasattr 判断会误判。

把速度换算成模型规模,边界就比较直观了。下表是基于测试速度得到的粗略估算,实际推理还会受到内存访问、激活函数等因素影响:

模型规模 纯 Python viper 能用吗
640 MAC(16-32-4) 4.6ms 0.2ms 够用
4.6k MAC(64-64-8) 28ms 1.5ms 够用
18k MAC(128-128-16) 115ms 6ms 纯 Python 在 1Hz 推理上仍有余量
100k MAC 0.65s 33ms 纯 Python 只能低频跑
1M MAC 6.5s 0.33s 纯 Python 不现实,viper 也需权衡频率和内存

按照这块板子的配置,语音唤醒不现实:16kHz 音频需要逐帧计算 MFCC,关键词模型每帧约有 5 万至 10 万次乘加,每秒 33 帧,内存也放不下。图像任务同样受限:手头的板子没有摄像头接口,也没有 PSRAM。

真要跑 CNN,可以考虑换 ESP32-S3,或者放弃 MicroPython,用 ESP-IDF 编入 TFLite Micro。那就属于另一套实现路线了。

回到这块板子:不用乘加也能判断

手头有现成的 AHT20,每 5 秒能采集一组温度和湿度。想让设备判断“读数是不是不正常”,第一反应是训练一个小模型。但看完上面的测试结果,再想想任务本身,判断正常还是异常,并不一定需要几千次乘加。

最后我写了几十行统计代码,检查四件事:

  1. 读数是否超出设定量程:温度为 -20~80°C,湿度为 0~100%RH。超出范围可能意味着断线或数据异常。
  2. 当前值距离历史基线有多远,超过 3 倍标准差就报警。
  3. 相邻两次采样之间是否出现较大跳变。
  4. 最近十几个采样点是否持续朝同一个方向变化,用最小二乘法计算斜率。

关键是基线从哪里来。硬编码“25°C 算正常”,换个房间、换个季节可能就不适用了。因此,我让设备从数据中学习:取最近 60 个点的中位数作为基线,再将 MAD(各点到中位数的绝对距离的中位数)乘以 1.4826,作为标准差的估计值。

这两个统计量对少量离群值不太敏感。我连续塞入 5 个 80°C 的读数,基线仍然保持在 25°C 附近。采集满 12 个点后开始判断,大约需要一分钟。

还有个细节:传感器读数太稳定时,MAD 可能为 0。它不能直接作为除数,否则会导致计算异常或误报。因此,温度波动尺度设置了 0.15°C 的下限,湿度设置了 0.8% 的下限。

这算不算 AI,可以各有看法。它不是神经网络,但设备确实从数据中学出了自己的阈值,再用这个阈值做判断,比写死一个数字更能适应环境变化。

跑起来之后改了两处

第一处是趋势判断容易被尖峰带偏。跑完合成序列后,我发现一次温度突变会让后续十几个采样点持续报告“趋势异常”。

原因出在最小二乘斜率上:一个孤立高点就可能把斜率拉高很久。于是,我在计算斜率前加入三点中值滤波,将同时比左右邻居高出一截的孤立点替换为邻居均值;单调升温的点不会被误伤。修改后,突变之后的第二个采样点就恢复了正常。

第二处是板子和电脑的结果对不上。同一份代码,在 PC 上第 47 个点转为告警,板上则是第 46 个点。差一个采样点,是边界处浮点精度不同造成的,并不是判断逻辑有误。这类差异只有放到真实设备上跑,才容易发现。

实测结果

代码运行在板子上,内置网页增加了状态卡片,并提供 /api/anomaly 接口。下面是当天室温下的一次真实返回:

{
  "state": "ok",
  "score": 0.2,
  "n": 22,
  "base_t": 21.35,
  "base_h": 16.4,
  "sigma_t": 0.15,
  "sigma_h": 0.80,
  "trend": 0.73,
  "t": 21.4,
  "h": 16.6,
  "why": []
}

此时已有 22 个采样点,温度基线为 21.35°C,波动尺度为 0.15°C,趋势为 0.73°C/h,判定结果正常。

为了观察告警,再手动向接口输入一个 35.0°C 的温度值:

{
  "state": "alert",
  "score": 91.0,
  "n": 27,
  "base_t": 21.35,
  "trend": 1.42,
  "t": 35.0,
  "h": 16.6,
  "why": ["level_t", "jump_t"]
}

读数偏离基线 91 倍标准差,同时触发了偏离和突变两项判断。

合成序列共有 48 个点,在板上运行时,只列出状态发生变化的位置:

序号 温度 判定 原因
#1 25.1°C 学习中 —
#12 25.0°C 正常 —
#21 31.0°C 异常 偏离 + 突变
#23 25.0°C 正常 —
#31 25.1°C 趋势提醒 持续升温
#46 25.5°C 异常 偏离 + 趋势

这正是想要的效果:数值突然跳变时立即报警,恢复后告警解除;温度缓慢上升时先给出趋势提醒,持续上升后再报异常。

耗时也在板上测过。60 点窗口满时,单次判断需要 6.62 毫秒;48 点的演示序列全部跑完需要 148.68 毫秒。主循环每 5 秒采样一次,6.62 毫秒约占采样间隔的 0.13%。

同样的代码在电脑上单次需要 0.03 毫秒,板子慢了两百多倍,但相对于 5 秒的采样间隔,这点耗时并不显眼。连续运行 200 次后,空闲堆减少了 45KB;执行一次 gc.collect() 后空间恢复,说明这次观察到的是待回收的临时对象,而不是持续占用的内存。

Web 界面卡片

AHT20 温湿度与异常检测状态卡片

写在最后

在这次测试的固件和实现方式下,这块板子适合处理几百到十万次乘加量级的任务,但实际能否使用,还要看推理频率和内存需求。趋势判断、异常检测、小型分类可以考虑;视觉和语音任务则受到明显限制。

对于这类问题,选对特征往往比换模型更重要。一个 20 节点的决策树判断只需几十次比较,可能比小型 MLP 快两个数量级;在某些正常与异常分类任务中,效果也可能更好,最终仍要看数据和模型。

这次实现还有一个明显缺口:采样窗口只保存在内存中,重启后需要重新学习约一分钟。下一步可以把学到的基线存成 JSON,再积累一周数据,看看是否需要按白天和夜晚分别计算阈值。真要上更大的模型,再考虑换 ESP32-S3。




上一篇:ESP32-C3 接 AHT20 温湿度与 UART1 串口透传实战(MicroPython)
下一篇:TCP 端口转发工具 tcpfwd:报文过滤与部署指南
您需要登录后才可以回帖 登录 | 立即注册

关闭

站长推荐上一条 /1 下一条

手机版|小黑屋|网站地图|云栈社区 ( 苏ICP备2022046150号-2 )

GMT+8, 2026-11-21 15:53 , Processed in 0.068264 second(s), 41 queries , Gzip On.

Powered by Discuz! X3.5

© 2025-2026 云栈社区.

快速回复 返回顶部 返回列表