描述

為什么選擇泰哈克

在大流行開始時對 COVID-19 進行測試很困難，沒有足夠的測試套件可供使用，而且就可靠性而言，套件本身仍在開發中。幾十年來，醫生一直通過聽病人咳嗽和呼吸來診斷各種疾病。研究人員已經對開發機器學習模型進行了研究，以預測患者是否患有支氣管炎，我們可以將相同的方法應用于 COVID-19 嗎？

是的，答案是肯定的，麻省理工學院和其他人已經做到了……并且正在制作一個應用程序……

麻省理工學院研究的關鍵信息之一是，他們能夠使用他們訓練有素的模型識別出沒有病毒癥狀的人，事實證明咳嗽是關鍵。

現在，麻省理工學院這次擊敗了我們，但正如麻省理工學院已經指出的那樣，無癥狀的人可能不會急于接受測試，如果麻省理工學院發布一個應用程序，它仍然需要用戶下載和使用該應用程序。

Tyhac 旨在通過提供一種被動聽音設備來解決這些問題，該設備可以檢測咳嗽，然后對樣本進行深度學習推理以確定 COVID-19 是陽性還是陰性。通過在辦公室、電梯、候診室等公共場所安裝 tyhac，我們可以通過響應檢測到的事件來幫助更好地保護我們的社區。我們還可以使用 tyhac 更好地了解社區在流感季節的反應，以及是否在工作場所管理健康習慣活動，以確保工人照顧好自己，并在可能的情況下使用遠程工作來限制傳播。

它是如何工作的？

得益于 M5 Core2 堆棧和 AWS，解決方案本身非常簡單，這讓一切變得非常簡單。它將貫穿設備的高級設計和 AWS 配置：

現在我們對堆棧有了更好的理解，我們可以討論一些關鍵特性，然后進入演示。該設備設計為在兩種模式下運行：

被動的

此模式專為安裝在工作場所、電梯、候診室、辦公室隔間、家庭等中的設備而開發。LM393 麥克風傳感器具有可聞噪音閾值，一旦超過該閾值，SPM1423 內部 I2S 麥克風將開始錄音一個 10 秒的音頻樣本。

臨床醫生（現場單位）

此模式專為醫療專業人員設計，在此模式下，設備不使用 LM393，技術上不需要。如果喜歡移動設備，該設備可以使用電池（包括在設備中）。

用戶會看到一個顯示兩個選項的菜單：

提交

此按鈕旨在供醫療專業人員提交陽性樣本，我已將其包含在內，以便我們接收標記樣本以繼續訓練模型并改進預測。

測試

此按鈕用于診斷患者，一旦按下按鈕，它將使用內部 SPM1423 I2S 麥克風錄制 10 秒的音頻。

上傳

兩種模式都將音頻樣本記錄為 WAV 文件并寫入設備上的 SD 卡。然后設備將發布到 S3 Pre-signed URL MQTT 主題以請求安全 url 來上傳 WAV 文件。收到后，設備將開始通過安全 HTTPS 上傳。

驗證

文件上傳到 AWS S3 后，存儲桶觸發事件將調用暫存 Lambda 函數。暫存過程對樣本進行一系列檢查：

• 樣本是有效的 WAV 文件嗎？
• 樣本是咳嗽嗎？
• 擴充文件
• 歸檔文件并復制到最終存儲桶

如果在任何階段暫存功能不起作用或檢查失敗，則文件將從存儲桶中刪除。DynamoDB 事件隨結果更新，旨在最大限度地減少非咳嗽相關音頻樣本的存儲。

推理/預測

在最終存儲桶中創建文件后，將從 S3 事件調用推理 Lambda 函數。這將加載經過訓練的 tyhac 模型并對樣本進行預測。結果通過 MQTT 返回。

演示

我準備了一個演示，它將運行一些功能，以便我們可以看到它的作用。演示顯示：

• 啟動
• 被動covid-19檢測
• 臨床模式測試

讓我們構建一些東西（代碼）

在本節中，我們將逐步啟動和運行您的設置。請務必查看 BOM 以確保您擁有運行構建所需的組件。

除了 BOM，您還需要一個有效的 AWS 賬戶，因為這需要使用 AWS 服務（太棒了！！！）。如果您沒有賬戶，請按照AWS 官方文檔設置賬戶。

專業提示：云需要花錢，我強烈建議您了解構建成本并使用計費警報設置您滿意的閾值。我創建了一個單獨的項目來自動執行此操作，請隨時查看。

構建這個項目所需的一切（不包括物理資產）都可以在talkncloud github repo 上開源。以下內容將作為“快速入門”幫助您啟動和運行。

注意：您將在項目代碼和 github 存儲庫中找到其他信息來補充這篇文章。

項目文件夾結構

瀏覽存儲庫后，您會注意到該項目已分為三個單獨的文件夾：

• aws-cdk
• aws-物聯網
• aws-sagemaker

AWS-CDK

AWS Cloud Development Kit (CDK) 文件夾包含在云中部署所需服務所需的一切。如果您之前參考高級設計圖，圖中的所有內容都將自動為您提供。這就是基礎設施即代碼 (IaC)，通過將所有內容開發為代碼，我可以提供一致的可重復環境，以確保其按設計工作。另一種方法是您需要手動創建所有內容（無聊）。

注意：CDK 是一個很棒的項目，如果您在熟悉開發定義風格的語言（如 JSON 或 YAML）之前看過 IaC。CDK 允許您將諸如 typescript、python 之類的編程語言帶到聚會中，如果您正在瀏覽 hackster，我相信您會喜歡的。

AWS-物聯網

用于構建固件并將其上傳到您的 M5 Core2 AWS EduKit 設備的 arduino 代碼。這是在您的設備上運行 tyhac 固件所必需的，我們將使用 platformio 使事情變得更容易一些。

AWS-SAGEMaker

如果您正在深入學習，此文件夾包含執行數據準備、模型訓練和模型托管所需的一切。高級設計中使用的訓練模型包含在項目中。對于此構建，您根本不需要使用 sagemaker。Sagemaker 不包含在 aws-cdk 部署中。

如果您想在模型上構建或只是好奇，此文件夾適合您。

專業提示：我正在使用 fastai 和 fastaudio ，如果您正在考慮進行任何深度學習，我強烈建議您檢查一下。

第一步：克隆倉庫

讓我們通過準備本地環境來工作，我們將從 cdk 開始，然后移動到設備上。

克隆倉庫

讓我們克隆所有 tyhac 的優點...

git clone https://github.com/talkncloud/tyhac-aws-hackster
cd tyhac-aws-hackster

Step2：AWS-CDK部署AWS

該項目需要使用 docker 容器，這些容器將使用 AWS Elastic Container Registry 構建并存儲在您的 AWS 賬戶中。這些容器用于 lambda 函數以執行分段和推理。如果您安裝并運行了 docker，您可以在本地構建這些容器，CDK 會處理所有事情。如果您沒有這些或您的互聯網速度很慢，我可以推薦AWS Cloud9。容器將上傳大約 3-4GB。

您不需要了解有關容器的任何信息，一切都會得到照顧。

如果你要去本地，請參考 docker doco 進行安裝和配置。如果您使用的是 Cloud9，它已經安裝。

注意：Cloud9 不是免費的，請參閱 AWS 定價，Cloud9 未包含在此構建的最終成本中，因為它不是必需的。

除了 CDK，我們將使用projen，另一個很棒的項目，這簡化了 CDK 和類似項目的構建和維護。這假設您已經安裝了節點，有關詳細信息，請參閱節點文檔。

npm install -g aws-cdk
npm install -g projen
npm install -g yarn

您需要下載并安裝 AWS cli ，這將允許您向 AWS 進行身份驗證并執行與云相關的操作，這是我們需要將 CDK 部署到您的帳戶中的。

安裝 AWS cli 后，您需要配置客戶端以添加訪問密鑰。這將授予 AWS cli 訪問您賬戶的權限。有關配置，請參閱AWS 文檔。

專業提示：AWS 所指的密鑰是密碼，請像這樣對待它們。不要共享它們并限制他們的訪問。如果這是您第一次進入 AWS，請在此構建結束時刪除您的憑證文件以及您在 AWS 賬戶中生成的任何密鑰。如果需要，您可以隨時創建更多。最好不要把鑰匙掛在身邊。

現在您已經安裝了所有東西，并且您已經為您的 AWS cli 配置了訪問權限，您可以為 tyhac 預置后端 AWS 資源、權限、策略和配置。

projen
projen deploy

以下視頻展示了使用 Cloud9 的部署，同樣適用于 Visual Studio 代碼：

讓我們驗證幾件事，我不會詳細介紹，但如果您愿意，請了解 CDK 使用 AWS Cloudformation，即 IaC 'OG'。使用控制臺前往 cloudformation 并找到部署：

恭喜，您剛剛構建了容器、函數、存儲桶、數據庫、物聯網等。很酷！

步驟 3：AWS-IOT 構建和上傳 tyhac arduino 固件

現在，您可能最感興趣的部分是 tyhac。現在我們的 AWS 后端正在等待并準備好迎接您的事情，我們可以繼續構建我們的設備。

我強烈推薦AWS EduKit 上的示例和指南，這是從設置環境到運行示例項目的豐富信息。最好通過其中的一兩個來感受一下。

LM393麥克風單元和SD卡

這部分很簡單，如果您使用的是 LM393 單元，只需將??傳感器連接到設備上的端口 B。這在 LM393 的外殼上標明。

將 micro SD 卡插入設備的 SD 卡插槽。

平臺

我正在使用 platformio 來提供功能豐富且易于擴展的 Visual Studio 代碼。請參閱Visual Studio 代碼下載和安裝和platformio 安裝以使它們運行。

現在讓我們進入 aws-iot 文件夾：

cd aws-iot
code

這應該在該位置打開 Visual Studio 代碼編輯器，否則打開 Visual Studio 代碼并打開克隆的存儲庫。

我們將使用 platformio 打開 iot 項目，這將創建連接到設備和使用 platformio 所需的環境：

文件夾結構

文件夾結構主要基于默認的 platformio 框架，您會注意到包含的自述文件比我能更好地解釋這一點。

我想強調幾項：

certs - 安全 HTTPS 通信所需的公共 AWS 證書

實用程序 - 我們將使用它來自動使用 AWS 配置事物

lib - 大多數代碼已被拆分為單獨的庫以使其更容易，此文件夾包含 tyhac 庫

lib/env - 你需要為你的環境更新它，我們將在下一節中詳細討論

platformio.ini - 您可能需要根據您的系統更改此文件中的設置，主要是 USB 端口。例如，AWS EduKit、USB 信息。

環境樣本.h

使用編輯器打開環境文件，您需要將示例文件復制到名為env.h的相同位置

更新您的環境的設置，該文件包含有關如何檢索您需要的 AWS 相關信息的有用詳細信息。例子：

您的 AWS 賬戶：

aws sts get-caller-identity

您的 AWS IoT 終端節點：

aws iot describe-endpoint --endpoint-type iot:Data-ATS

設備配置

您可以想象，我們不希望任何人都使用我們的 AWS tyhac 堆棧。要將 AWS IoT 與我們的配置一起使用，您需要將設備注冊到 AWS IoT。這需要生成證書并將設備與相關策略相關聯，以便事物可以做它需要做的事情，例如 MQTT。

我提供了一個腳本來為你處理這個問題。如果您遵循AWS EduKit 指南，您會注意到這是一種類似的方法。該腳本將在 AWS IoT 中注冊事物，生成證書并將證書與我們之前在 CDK 堆棧中創建的策略相關聯。

cd utilities/AWS_IoT_registration_helper
./registration_helper.sh

生成的證書存儲在 output_files 文件夾中，這些是您的證書并且是私有的。這些證書將在構建期間加載到設備上的 SPIFFS 中，并用于與 AWS 的安全通信。

設備構建和上傳

連接 M5 Core2 AWS EduKit 設備、完成 AWS 后端、為您的環境預置和配置設備后，您就可以構建固件并上傳到您的設備了。

我喜歡使用位于 IDE 底部的 platformio 工具欄：

勾選=構建

箭頭 = 上傳到設備

垃圾箱/垃圾=干凈

插頭 = 監控串行輸出

終端 = 新的 platformio 終端

使用勾選，構建項目，然后使用箭頭上傳到設備，終端輸出將顯示當前狀態。一旦上傳完成，它應該會自動切換到監聽輸出，但如果沒有按下插頭按鈕切換到監聽。

您可以看到在正常操作下，串行輸出將提供有關 tyhac 操作方式的一些有用細節。在下一節中，我將詳細介紹每個不同的指標和消息的含義。

專業提示：如果您單擊工具欄中的 platformio 監視器按鈕，請注意按鈕位置是否像視頻中那樣移動。啊。

設備狀態指示燈和串行輸出

M5 Stack Core2 AWS EduKit 在設備的兩側帶有兩個 RGB 條，所以我想我們也可以使用它們。現在您的設備正在運行 tyhac 固件并與 AWS 通信，您可能會注意到發生了不同的指標。

橙色 = 正在連接或處理，這可以用于 Wifi 或 AWS MQTT

綠色 = 操作正常，例如 wifi 已連接

紅色 = 嚴重錯誤，很可能無法連接到 Wifi

白色 = 正常操作模式

注意：預測顯示使用相同的顏色。例如正負綠色和紅色。

顯示屏和串行輸出中的狀態消息大多是不言自明的：

MQTT = 訂閱、接收、連接

Heartbeat = 以當前模式每分鐘向 AWS 發送一條心跳 MQTT 消息

NTP = 與遠程時間服務器同步

Screen = LCD 屏幕相關項目，例如更改顯示

按鈕 = 切換模式，例如被動或臨床醫生（主動）

Tyhac 設備庫

我嘗試將代碼拆分為庫，以便更輕松地管理代碼庫并允許其他人使用其他項目所需的位：

音頻 = 與將音頻從麥克風錄制到 SD 卡相關的所有內容

env = 您的環境特定配置

mqtt = 與 AWS 發布/訂閱 MQTT 相關的所有內容

ntp = 使用遠程 NTP 服務器設置時鐘

rgbcolor = 管理 RGB 條帶

ui = 與液晶屏界面相關的一切

上傳 = 與通過 HTTPS 上傳 AWS S3 相關的所有內容

version = 只是一個版本文件

例如，如果您想更改 RGB 的顏色，您只需轉到 lib/rgbcolor 庫并使用您選擇的 RGB 值更新 changeRgbColor 函數或添加不同的顏色等。

Step4：AWS-Sagemaker 可選模型訓練

關于 sagemaker，我不會過多介紹。正如我之前所說，除非您想自己理解或希望維護模型，否則您不需要執行此部分。我對 sagemaker 采取的基本方法是我需要 CPU、GPU 和存儲，而我根本沒有，AWS 以低成本按需為我們提供這些。

專業提示：我已采取措施通過使用現貨市場進行培訓來降低與 sagemaker 相關的成本，這應該會節省約 70% 的成本，具體取決于您所在的地區和 AWS 市場。但是，這仍然是該項目中成本最高的部分，請確保您監控成本并設置計費警報并在完成后刪除任何內容。

AWS Sagemaker 工作室

我最終使用了sagemaker studio ，因為它為我提供了很多功能，我可以使用 Studio IDE 在標準瀏覽器中構建、訓練和部署所有功能，考慮到我們的時間框架很短，這很有意義。AWS 提供了更多關于為什么首選 Studio 的信息。如果您在 AWS 中有自己的設置或標準筆記本實例，您應該能夠在本地執行此操作。這將進一步降低成本，但會花費您更多的時間。

創建賢者工作室

使用瀏覽器中的 AWS 控制臺前往 sagemaker 并使用登錄頁面點擊橙色的“SageMaker Studio”按鈕。

使用“快速啟動”選項，這將為您設置和環境所需的權限。一旦您接受配置 AWS 將開始配置您的環境，這將需要幾分鐘但只是一次。

當您的配置準備就緒時，您會注意到一條橫幅消息，如下所示：

您應該注意到“Open Studio”單擊可用，這將啟動 AWS SageMaker Studio Web IDE，以便我們開始。

如果這不可用，您的環境可能仍在配置中，或者您需要使用“分配用戶和組”按鈕來關聯您的用戶帳戶。

啟動 SageMaker studio 后，您會看到一個可愛的 SageMaker 徽標加載屏幕，第一次啟動往往需要更長的時間，之后會更快。

加載 Studio 后，您將進入 Studio IDE：

我真的很喜歡 Studio IDE，在大多數情況下，我發現它非常直觀且視覺上非常好用。因為我們將添加一個 git 存儲庫，所以我們可以使用 git 圖標來加載 tyhac 存儲庫并點擊“克隆存儲庫”：

克隆后，您會注意到熟悉的 tyhac 代碼庫結構，導航到 aws-sagemaker 以使用我們需要的文件：

用于 fastai 培訓的Docker容器

當您需要執行訓練時，AWS SageMaker 將提交訓練作業并啟動您為訓練指定的計算、GPU、內存實例或實例。AWS SageMaker 為各種框架提供了一堆預配置的容器，讓您可以繼續使用，例如 tensorflow、pytorch 等。當您想要使用不同的東西時，您可以使用您的自定義框架構建容器。這就是我所做的。存儲庫中的 docker 文件夾包含構建容器并將其推送到您的 AWS ECR 所需的代碼，以供 SageMaker 在需要時使用。

專業提示：與前面的提示一樣，如果您的互聯網速度較慢或不想配置 docker 等，AWS Cloud9 在這里是一個很大的幫助。

您會注意到兩個容器，一個用于訓練，一個用于推理。如果您想訓練模型并在 tyhac 后端替換它，則無需擔心推理容器。如果您想使用專用 SageMaker 端點運行推理，則包含容器代碼和筆記本。

要構建容器，您需要再次使用 aws cli 進行身份驗證，更新 Dockerfile 以反映您的 AWS 區域，然后只需運行 shell 腳本：

./build_and_push.sh

SageMaker 圖表

使用圖表更容易理解 SageMaker、ECR 和筆記本如何連接在一起。下圖顯示了 tyhac 筆記本和服務如何協同工作：

使用筆記本_

Studio IDE 和筆記本將為您提供運行所需的一切，只需打開筆記本并逐步瀏覽單元格：

在大多數情況下，我使用 AWS 的 tensorflow 內核并添加了幾個我需要的包。您可以在 IDE 頂部更改內核。

數據可視化

完成一些數據準備后，在您開始訓練之前，會出現包含數據可視化的單元格，下面顯示了來自 covid-19 陽性和陰性患者的樣本。輸出是我們用于訓練的音頻梅爾譜圖：

我們可以進一步挖掘數據集以顯示我們當前的標簽和頻譜圖：

訓練

一旦您對 dataprep 感到滿意，您就可以進入訓練筆記本，這將運行 sagemaker 訓練作業并將模型文件輸出到 s3，您可以更新筆記本中的超參數和模型架構：

hyperparams = { 'epochs'       : 1,
                'learning-rate': 0.001, # fastai default
                'batch-size'   : 64, # fastaudio default
                'model-arch'   : 'resnet18', # resnet34
                'workers'      : 16 # default 2
              }

您將需要為您的帳戶更新容器位置：

image_uri            = 'ACCOUNTID.dkr.ecr.ap-southeast-2.amazonaws.com/tyhac-sagemaker-fastai:1.0-gpu-py36',

我開發的 notebook 會輸出一些圖像，您可以使用這些圖像查看模型性能：

在 AWS 中更新模型

如果您對模型感到滿意，您只需從 sagemaker S3 存儲桶下載 model.tar.gz，提取內容并將 export.pkl 復制到 aws-cdk/src/lambda/predictor/model 文件夾中。

然后更新您的 AWS CDK 部署：

cd aws-cdk
projen deploy

現在，當 tyhac M5 Core AWS EduKit 事物接收到新樣本以對其執行推理時，將使用您新訓練的模型。簡單的！

第五步：清理

一旦您完成了項目并且您不再需要運行任何 tyhac AWS 堆棧，我們應該刪除它們。

因為我們使用了 CDK，所以移除堆棧很容易

您首先需要使用 AWS 管理控制臺從 AWS IoT 核心 CDK 策略中刪除設備證書，然后：

cd aws-cdk
projen destroy

專業提示：您還可以通過 AWS 控制臺使用 cloudformation 來刪除堆棧。

這將留下以下需要手動刪除的內容：

• AWS S3 存儲桶
• AWS DynamoDB
• AWS ECR（容器）

導航到 AWS 控制臺中的這些服務以清空和刪除它們。

如果您配置了 SageMaker Studio：

• 導航到 SageMaker Studio
• 點擊用戶，刪除關聯應用
• 刪除用戶
• 回去
• 刪除工作室

導航到 AWS EFS

• 選擇 EFS 卷，然后刪除

專業提示：如果您有多個卷檢查標簽，SageMaker 會標記與 SageMaker 關聯的卷。

困難/挑戰

我現在將討論我在這個項目中遇到的一些挑戰，劇透有很多（現在仍然如此）:)

使用SageMaker 進行深度學習

• 你怎么能從音頻中預測任何東西？

這是一個兔子洞，試圖了解我如何使用音頻咳嗽來預測任何事情。一旦我開始研究這個問題，我就能找到一些非常棒的信息和研究論文（參見 repo）。最后，最好的方法是使用具有已知架構的梅爾譜圖和卷積神經網絡。使用音頻圖像，而不是查看音頻樣本的數字數據點。

• 資料準備，資料準備，資料準備

這似乎永無止境，下載數據，排序數據，找到標簽，沖洗并重復。發現沒有足夠的數據，盡可能調整以獲得更多數據，然后意識到我在數據準備中犯了一個錯誤，需要重做。耗時但關鍵的堆棧部分。

• 超參數、音頻參數、框架

時代？優化器？一種全新的語言，我在訓練一個完全有效的模型時遇到了很多麻煩。嘗試了各種框架但沒有成功，我幾乎放棄了這個項目，并準備寫下我的失敗。我會不斷地訓練一個 ROC 為 0.5 的模型，這是一個完全沒用的模型。FastAI 真的把我從我自己那里救了出來，一旦我改用 fastai，我就能夠訓練一些有用的東西，將它與 fastaudio 配對對音頻組件有相同的效果。

• 只是使用更多的 CPU 內核，反正誰需要 GPU

切換到 FastAI 后，我需要為框架構建自定義 docker 容器。這很棒，但是，我在訓練期間注意到從未使用過 GPU。我把這個問題放在了待辦事項上，并投入了更多的 CPU（不聰明），以使每個周期的訓練時間達到 5-7 分鐘左右。我最終發現 tensorflow 所需的軟件包是根據您的系統安裝的，我的本地系統缺少 NVIDIA GPU 并安裝了 CPU 軟件包。調整 Dockerfile 以提取 GPU 包意味著 GPU 已被使用，并且周期下降到大約 1 分鐘。這意味著，更多的成本節省，更少的時間！

• 好的，我有一個訓練有素的模型，現在呢？

自定義容器和 SageMaker 推理。這過于復雜，如果您想使用 SageMaker 端點，您需要在 SageMaker 推理要求的框架內工作。您的服務腳本中需要某些功能，這些功能只需要存在即可。我為此奮斗了最長時間，認為這不是真的，但現在理解了結構化方法。

M5 Core2 堆棧 Arduino

• Micropython，不，arduino

我想快點，我正在為 SageMaker 開發 python 筆記本，我知道 M5 Core2 可以使用 micropython。我最初對 micropython 的實驗并不順利，很早就很清楚我試圖做的事情超出了設備上 micropython 的范圍，因為時間限制。我的下一個目標是 arduino，它最終運行良好。該設備支持多種語言真是太好了。我認為轉移到 esp-idf 將是一個很好的下一步。

• LM393是麥克風嗎？

我以為這是麥克風，而不僅僅是聲音傳感器。我最初的設計需要一個觸發器來啟動錄音，這就是我購買 LM393 的原因，但我也認為它是一個更高質量的麥克風。我必須快速適應使用內置麥克風。

• SM1423 內置麥克風 I2S

內置麥克風使用 I2S，這與我過去沒有任何關系。試圖了解如何從 I2S 接口讀取數據并將其寫入文件是一項挑戰。關于 arduino、SDCards 和 wav 文件有一些例子，但并不多。大量的試驗和錯誤。

• 我只想通過 HTTPS 將文件上傳到 S3，有什么用？

我無法計算出 AWS S3 所需的標頭，它會不斷被 S3 拒絕。大量的調試、更改文件類型、查看標題等，我最終得到了它的工作。我找不到任何關于如何使用 arduino 執行此操作的明確示例。據我所知，我的示例是迄今為止唯一公開可用的已知工作示例。

• 嘿，酷，RGB燈，讓我們使用它們，這不是橙色的嗎？

在經歷了所有挑戰之后，我決定繞道而行，用 RGB 燈玩一玩。原來 fastled 庫中的 RGB 燈出現故障，我會嘗試制作橙色，它會以不同的方式結束。一旦我理解了這個問題，在我的代碼中交換值就可以更容易地選擇我的 RGB 顏色，然后讓我的函數句柄交換。都是些小事...

• 搬家，網速慢，AWS Cloud9 來拯救

在我搬家的項目快結束時，新位置的下載速度不錯，但上傳可能會更好。通常這不是問題，但我的堆棧嚴重依賴需要上傳到 AWS ECR 的容器。當我處理設備和分段/預測 lambda 函數時，我需要快速迭代代碼更改。進行簡單的更改需要 20、30、60 分鐘。

我最終切換到 AWS Cloud9 進行 aws-cdk 部署，這將容器更改的時間縮短到 2-5 分鐘。托管服務的啟動和運行快速、簡單且具有成本效益。切換到 Cloud9 只需幾分鐘，如果沒有它，我將無法完成挑戰。

下一步

這個項目是一個很好的開始，可以端到端地展示您如何使用 M5 Core2 AWS EduKit 解決這個問題。有許多改進和未來的機會可以考慮：

• 設備注冊

我正在使用 RSA 證書身份驗證（根據 AWS 控制臺），M5 堆棧包含一個安全硬件元素。我最初試圖讓它與 arduino 一起工作的嘗試沒有奏效。AWS 在 M5 Stack 存儲庫中有一個修改過的庫，我懷疑這是它工作所必需的。

• 嘗試不同的麥克風

我想使用不同的麥克風，看看社區可能會推薦什么來提高音頻質量。

• 局部推理

一個不錯的改變是嘗試將模型推理帶到設備本身，但在 AWS 中更接近邊緣時失敗。這將減少推理時間，但是基于數據進行訓練仍然會很好，后臺上傳可能需要研究。

• 更多數據

該模型與數據一樣好，它需要更多。看看公共數據是否繼續增長將會很有趣，這可能有助于用新數據重新訓練模型并提高準確性。

• 不同的設備

因為堆棧是解耦的，我們幾乎可以使用任何記錄音頻的設備來執行此操作。我們可以利用任何可能已經在錄制音頻的現有公共服務嗎？

最后的想法

我度過了很愉快的時間來應對這個挑戰，這是對 M5 Core2 Stack 的一個很好的介紹，它是一個非常強大的設備，非常適合像這個堆棧或更復雜的堆棧這樣的快速原型設計。我喜歡 AWS IoT 如何成為您所有 IoT 相關服務的中心點，從該中心服務與 AWS 安全交互的能力使得設計和與 DynamoDB 和 Lambda 集成變得容易。

我希望這個項目對其他人有用，可以在此基礎上進行構建、擴展或獲取他們需要的部分，以使他們的原型或產品起步。

感謝 Hackster 和 AWS 將這一挑戰放在一起，并創建了一個社區以使這成為可能。

快樂編碼。