学习嵌入式AI（TInyML），只需掌握这点python基础即可！

大家好，我是贺老师，嵌入式 AI 工程师，《嵌入式AI：让单片机学会思考》主理人，专注AI在MCU上的落地实践。

本文中，重点关注学习嵌入式AI需要掌握的Python编程语言的基础知识，包括基本语法、NumPy库的使用以及数据处理的基本概念。这些知识对于后续学习TinyML至关重要。

Python是机器学习领域最流行的编程语言，而NumPy是Python科学计算的核心库。掌握这些基础知识将帮助我们更好地理解和实现TinyML模型。

Python语法基础

变量和数据类型

Python是一种动态类型语言，变量不需要显式声明类型。

# 基本数据类型示例 # 整数 age = 15 # 浮点数 height = 1.75 # 字符串 name = "小明" # 布尔值 is_student = True # 列表 fruits = ["苹果", "香蕉", "橙子"] # 字典 student = {"name": "小红", "age": 14, "grade": 8}

控制结构

Python使用缩进来定义代码块，而不是大括号

# 条件语句示例 score = 85 if score >= 90: print("优秀") elif score >= 80: print("良好") elif score >= 70: print("中等") else: print("需要努力") # 循环语句示例 # for循环 for i in range(5): print(f"这是第{i+1}次循环") # while循环 count = 0 while count < 3: print(f"计数: {count}") count += 1

函数定义

函数是组织代码的重要方式，可以提高代码的可读性和复用性。

# 函数定义示例 def greet(name): """这是一个简单的问候函数""" return f"你好, {name}!" def calculate_area(length, width): """计算矩形面积""" area = length * width return area # 调用函数 message = greet("李华") print(message) rectangle_area = calculate_area(5, 3) print(f"矩形面积: {rectangle_area}")

NumPy基础

什么是NumPy？

NumPy是Python的一个开源数值计算库，提供了强大的多维数组对象和用于处理这些数组的函数。

在TinyML中，NumPy常用于：

• 数据预处理和特征工程

• 实现数学运算和线性代数操作

• 与机器学习框架（如TensorFlow Lite）交互

NumPy数组

NumPy的核心是ndarray（N维数组）对象。

import numpy as np # 创建数组 arr1 = np.array([1, 2, 3, 4, 5]) # 一维数组 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组 print("一维数组:", arr1) print("二维数组:") print(arr2) print("数组形状:", arr2.shape) print("数组维度:", arr2.ndim) print("数据类型:", arr2.dtype)

数组操作

NumPy提供了丰富的数组操作函数

# 数组运算 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) print("a + b =", a + b) # 元素相加 print("a * b =", a * b) # 元素相乘 print("a.dot(b) =", a.dot(b)) # 点积 # 常用函数 arr = np.array([1, 2, 3, 4, 5]) print("最大值:", np.max(arr)) print("最小值:", np.min(arr)) print("平均值:", np.mean(arr)) print("标准差:", np.std(arr)) print("总和:", np.sum(arr)) # 重塑数组 arr_reshape = arr.reshape(5, 1) print("重塑后的数组:") print(arr_reshape)

NumPy常用函数速查表

数据处理基础

数据加载与查看

在TinyML项目中，我们通常需要从各种来源加载数据。

import numpy as np # 创建示例数据集 # 假设我们有一个包含学生成绩的数据集 # 列: [数学成绩, 语文成绩, 英语成绩, 总分] data = np.array([ [85, 90, 88, 263], [92, 87, 95, 274], [78, 85, 80, 243], [65, 70, 75, 210], [95, 92, 98, 285] ]) print("数据集:") print(data) print("数据集形状:", data.shape) print("前3行数据:") print(data[:3]) print("数学成绩列:") print(data[:, 0])

数据清洗

数据清洗是数据处理的重要步骤，包括处理缺失值、异常值等

# 处理缺失值示例 # 假设我们的数据中有一些缺失值（用NaN表示） data_with_nan = np.array([ [85, 90, 88, 263], [92, np.nan, 95, np.nan], [78, 85, 80, 243], [np.nan, 70, 75, 210], [95, 92, 98, 285] ]) print("包含缺失值的数据:") print(data_with_nan) # 检查缺失值 print("缺失值位置:") print(np.isnan(data_with_nan)) # 填充缺失值（使用列平均值） col_mean = np.nanmean(data_with_nan, axis=0) print("列平均值:", col_mean) # 用列平均值填充缺失值 for i in range(data_with_nan.shape[1]): data_with_nan[np.isnan(data_with_nan[:, i]), i] = col_mean[i] print("填充后的数据:") print(data_with_nan)

数据标准化

数据标准化是将数据按比例缩放，使之落入一个小的特定区间。

# 数据标准化示例 # 使用之前的学生成绩数据 scores = data[:, :3] # 只取前三列（数学、语文、英语成绩） print("原始成绩数据:") print(scores) # 最小-最大标准化 min_vals = np.min(scores, axis=0) max_vals = np.max(scores, axis=0) normalized_scores = (scores - min_vals) / (max_vals - min_vals) print("最小-最大标准化后的数据:") print(normalized_scores) # Z-score标准化 mean_vals = np.mean(scores, axis=0) std_vals = np.std(scores, axis=0) z_scores = (scores - mean_vals) / std_vals print("Z-score标准化后的数据:") print(z_scores)

因平台推荐规则变化，多点赞和在看，我们才能常出现在你的推送里。