Nano.AI的初步学习
首先看文章最下面，了解PC端与单片机端两者不同的分工
1.Nano.AI如果需要将其运用到各个空间，则需要各种情况的数据（即任何场景学习的正常数据都需要被包含于Nano.AI的PC软件中）PC端是让单片机有能够识别正常数据的能力，而单片机的学习则是确定哪些是正常数据。举个例子：我们将VOC与温度上升的数据给到PC端的Nano.AI软件，那么可以让单片机具备读取到这些上升数据的能力，那么如果让我们让单片机学习了VOC与温度上升的数据，那么就是规定相对应的上升是正常的，就会判定为正常情况，不会报警。但是如果我们不让单片机进行学习，那么单片机没有将其归纳的正常的范畴，遇到VOC与温度上升的数据就会判定为报警
2..AI选择Nano.AI,但是Nano.AI的单片机端只是单纯的学习数据后检测如果放在RAM上则掉电后会重新测量正常值，如果遇到在气体浓度逐渐异常报警前断电重启，就会导致异常数据变为正常数据，所以我们需要将正常数据存储在flash中，让掉电后也能维持正常警报标准。另外不局限于单个位置，我们可以通过人为设置“更改报警参数”这一选项，清空原有数据或新增“场景数据”（如厨房，工厂）做到根据场景不同而切换不同的报警标准。
3..预设与实际：为了防止实际应用时用户没有给AI进行正常气体浓度的学习导致设备直接失灵，我们需要提前进行预设(存储到flash中)而这其中需要将所有有可能的正常情况都进行预设，例如厨房用的报警器需要提前预设正常情况，炒菜情况（VOC与温度上升但依旧是正常且不报警）。等到设备进入用户家里，先进行调参即重新设置正常空气浓度避免出现正常情况下的错误报警。
PC 端（NanoEdge AI Studio）的作用：决定模型的“认知天花板”（特征提取能力）。
-
如果我们希望报警器未来能适应各种复杂的空间（比如包含炒菜的厨房），我们必须在 PC 端喂给它包含“温度和 VOC 上升”特征的全面数据。
-
目的： 不是为了定死报警线，而是为了让软件挑选出一种**“具有足够包容度的算法拓扑结构”**，使单片机具备在复杂高维空间中刻画这些数据变化的能力。
单片机端（MCU On-device Learning）的作用：决定模型的“精准警戒线”（动态白名单划定）。
-
单片机在现场的
Learn过程，是在 PC 赋予的认知能力基础上，针对当前环境画一个具体的“安全圈”。 -
情景 A（学习了炒菜）： 如果我们让单片机在炒菜时进行了学习，它就会将“温度和 VOC 上升”的坐标系区域纳入“正常白名单”。此时再炒菜，不会报警。
-
情景 B（没学炒菜）： 如果单片机只在干净空气中学习过，没有把炒菜的特征纳入白名单，那么遇到“温度和 VOC 上升”时，它会判定该数据超出了已知安全边界，从而触发报警！ by: 游月