https://www.hackster.io/news/sandeep-mistry-walks-through-tinyml-audio-classification-using-tensorflow-lite-raspberry-pi-rp2040-f4065b654565
来源：Gareth Halfacree
只需一块低成本的RP2040开发板和一个麦克风，您也可以构建一个设备上的烟雾报警音频监视器。
Arm的Sandeep Mistry撰写了一份指南，通过部署TensorFlow Lite模型进行端到端音频分类，将基于树莓派 RP2040的微控制器板转变为tinyML edge AI发电站。
“我们将演示如何将基于Arm Cortex-M的微控制器用于本地设备ML，以检测周围环境中的音频事件，”Mistry解释了他的教程，该教程重点介绍了在树莓派 Pico和其他微控制器开发板的核心发现的低成本RP2040。“这是一篇教程式的文章，我们将指导您完成基于TensorFlow的音频分类模型的培训，以检测火灾报警声音。”
本教程使用谷歌的Colab作为开发环境，在Mistry的例子中，使用MicroMod机器学习载体板中的SparkFun MicroMod RP2040处理器，后者添加USB连接和麦克风，以及车载惯性测量单元（IMU）和相机接口，在这个特定的项目中没有使用-或树莓派PICO与外部麦克风插接。
本指南介绍了基于ESC-50环境声音分类数据集的培训，以及提高其检测报警声音能力的转移学习——这些任务发生在比RP2040更强大的设备上。经过培训后，该模型使用TensorFlow的Keras API创建、调整，并通过一个16位定点数字信号处理器（DSP）进行特征提取设置-解决RP2040上浮点性能不足的问题。
然后，Mistry的教程介绍了使用RP2040和连接的麦克风收集特定的训练数据，完成训练，并将模型从Keras格式转换为TensorFlow Lite-包括量化，这一步骤将模型从32位浮点降到8位整数，以提高微控制器的性能。最后，该模型被编译成固件并部署到RP2040上。
“由于ML处理是在开发板RP2040 MCU上执行的，”Mistry指出，“推断时没有音频数据离开设备”-与依赖将音频数据上传到外部设备进行处理的方法相比，这是一个关键的隐私优势。
完整的指南现在可以在TensorFlow博客上找到。https://blog.tensorflow.org/2021/09/TinyML-Audio-for-everyone.html
