TinyML

Kapitel 18. Fehlersuche

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Bei der Integration von maschinellem Lernen in dein Produkt, ob eingebettet oder nicht, wirst du zwangsläufig auf einige verwirrende Fehler stoßen, und das wahrscheinlich eher früher als später. In diesem Kapitel besprechen wir einige Ansätze, um zu verstehen, was passiert, wenn etwas schief läuft.

Genauigkeitsverlust zwischen Training und Einsatz

Es gibt viele Möglichkeiten, wie sich Probleme einschleichen können, wenn du ein Machine-Learning-Modell aus einer Authoring-Umgebung wie TensorFlow in einer Anwendung einsetzt. Selbst wenn du ein Modell erstellt hast und es fehlerfrei läuft, kann es sein, dass du immer noch nicht die Ergebnisse bekommst, die du in Bezug auf die Genauigkeit erwartest. Das kann sehr frustrierend sein, denn der Schritt der Inferenz eines neuronalen Netzwerks kann wie eine Blackbox wirken, bei der du nicht sehen kannst, was intern passiert und was Probleme verursacht.

Unterschiede bei der Vorverarbeitung

Ein Bereich, dem in der Forschung zum maschinellen Lernen nicht viel Aufmerksamkeit geschenkt wird, ist die Umwandlung der Trainingsmuster in eine Form, mit der ein neuronales Netz arbeiten kann. Wenn du versuchst, Objekte auf Bildern zu klassifizieren, müssen diese Bilder in Tensoren umgewandelt werden, also in mehrdimensionale Zahlenreihen. Man könnte meinen, das sei ganz einfach, weil Bilder bereits ...