我们还是避免复杂的叙述，直接利用 MixIOT AI 应用创建AI项目来介绍和讲解：
上面的截图，是 MixIOT AI 创建项目所需要配置的所有项，我们逐项来梳理。
【A】：项目名称与别名，跟其他的应用 一样，每个AI项目都要有名字和别名。
【B】：把该项目需要备注的内容，可以填写到描述字段，以备日后查阅。
【C】：模型文件，是AI 项目的核心内容。
MixIOT AI 支持文件格式为 HDF5 格式（.h5）的模型文件，这里使用的模型文件，需要保存和加载整个模型，包括模型的结构、权重等。每个 AI项目，都需要有各自的模型文件。
要训练并获得 HDF5格式（.h5）的模型文件，可以使用一些流行的深度学习库，其中最著名和广泛使用的是 Keras 和 TensorFlow。这两个库都提供了原生支持来保存和加载 HDF5 格式的模型文件。以下是使用这些工具的简要说明：
Keras
Keras 是一个高层神经网络 API，它可以运行在 TensorFlow、CNTK 或 Theano之上。 Keras 简化了模型的构建过程，使得创建深度学习模型变得更加直观和快捷。在 Keras中，可以通过几行代码训练模型，并使用 model.save (filepath) 方法将整个模型保存为一个 HDF5 文件。这个文件将包括：
- 模型的结构
- 模型的权重
- 训练配置（包括优化器）
- 优化器的状态
以下是一个简单的例子：
TensorFlow
TensorFlow 是一个更为底层的库，提供了更多的控制和灵活性。自从2.0版本以来，TensorFlow 和 Keras 更加紧密地集成在一起，提供了一个统一的接口来构建和训练模型。在 TensorFlow 中，使用 Keras API 构建的模型同样可以被保存为 HDF5格式。保存和加载的方式与纯Keras 库几乎一样：
这些库提供了丰富的文档和社区支持，使得训练和保存HDF5格式的模型变得相对简单。选择哪一个工具主要取决于具体需求和使用者熟悉什么。
【D】关联对象，就是AI项目的对象，只需要进行选择。
【E】这里的脚本，实际上就是输入变量标识，也就是对象变量的列表，格式是：
[ "FV1 ", "FV2 ", "FV3 ", ...... , "FVm " ]
这也就是数据输入的张量。
【F】数据周期和计算频次，是我们都熟悉的内容。计算频次是多少时间计算一次，而数据周期是每次计算使用多长时间的数据。
除了这两个配置项需要设置，还有一项也需要设置，就是 “最大数据条数”。这是一个最大限定值，也就是说，每次计算的时候，无论数据周期里面有多少条数据，每次使用的数据都不会超过这个限定。
举个具体的例子，如果我们设置的是这样的：“计算频次”= 60次/小时，“数据周期” =5分钟，“最大数据条数”=200。这个设置的解读是，这个AI计算是1分钟一次，每次计算都是用到最近5分钟的数据，如果这最近5分钟数据周期不超过200，那么，这5分钟的数据会被全部使用，有多少算多少；如果这5分钟的数据超过200条，则每次计算只使用最后的200条数据。
【G】“降采样” 和 “采样时间间隔”，分别是对输入的数据张量数据进行降低频率的数据采样方式，以及采样的时间间隔。
我们在F部分说明了输入数据的张量，也就是说，输入的是对象的哪些变量在多长时间段的数据。这个输入的数据也许量很大，也许数据本身有问题，也许数据的时序间隔不规律等等，可能会有各种问题。
数据降采样（Downsampling）实际上就是减少这些原始数据量的过程，它通过减小数据集中的样本数量来实现，从原本大量数据中选择一个代表性子集，或者对数据进行处理以降低其时间或空间分辨率。
之所以在 MixIOT AI 应用输入的数据使用降采样的原因在于：
- 提高性能：处理大量数据可能会导致计算资源不足、处理时间过长等问题。降采样可以将数据缩减到一个更易于管理的尺寸，从而加快处理速度和提高计算效率；
- 减小存储需求：大的数据集需要更多的存储空间。通过降采样，数据的存储占用可以变得更小，同时也减少了数据传输过程中可能产生的成本和时间延迟；
- 消除冗余：高采样率可能产生大量冗余数据，数据点之间的差异可能微乎其微。降采样可以帮助移除这种冗余，使分析更加集中于数据的关键变化部分；
- 提高数据分析质量：在某些情况下，高分辨率的数据可能会掩盖主要的趋势和模式。降采样可以帮助揭示这些更为广泛的趋势，使数据分析更加简洁明了；
- 平衡类别分布：在机器学习中，如果一个数据集中类别分布不平衡，会影响模型的性能。通过对多数类别进行降采样可以减少数据不平衡的问题，从而提高模型的泛化能力；
- 满足特定的数据需求：某些应用可能需要特定时间或空间分辨率的数据。例如，在气候模型中可能需要规定时间频率的数据，过密的数据不仅无用而且可能引入噪声。
降采样的方式可以根据实际需要来选择：
【H】随机种子，这是一个可选输入项。MixIOT AI需要做大量的数据模拟，这些模拟都是通过产生随机数进行的。
所谓随机种子（Random Seed）是计算机生成伪随机数序列时所用的初始值。在计算机中，完全随机的数是很难生成的，因为计算机是执行确定性操作的机器。所以通常采用数学算法（伪随机数生成器）来生成看起来像是随机的数序列。然而，为了使这个序列可以在需要时重现，算法会从一个初始的输入值开始，这个值就是所谓的“随机种子”。
如果不知道这个数字该输入什么，也可以放着不去管。
