機(jī)器學(xué)習(xí)正在從云端轉(zhuǎn)移到網(wǎng)絡(luò)邊緣，目的是進(jìn)行實(shí)時(shí)處理、降低延遲、提高安全性、更高效地使用可用帶寬以及降低整體功耗。而處于這些邊緣節(jié)點(diǎn)上的物聯(lián)網(wǎng) (IoT) 設(shè)備只有有限的資源，因此開(kāi)發(fā)人員需要弄清如何有效地添加這一全新的智能水平。

在邊緣位置基于微控制器系統(tǒng)使用機(jī)器學(xué)習(xí)，為開(kāi)發(fā)人員提供了幾項(xiàng)新機(jī)會(huì)，可以徹底改變他們?cè)O(shè)計(jì)系統(tǒng)的方式。開(kāi)發(fā)人員可以使用幾種不同的架構(gòu)和技術(shù)將智能添加到邊緣節(jié)點(diǎn)。學(xué)習(xí)完本文后，我們將更加熟悉這些架構(gòu)以及一些可用于加快該過(guò)程的技術(shù)。

邊緣機(jī)器學(xué)習(xí)的作用

邊緣機(jī)器學(xué)習(xí)對(duì)嵌入式系統(tǒng)工程師非常有用，原因有很多。首先，智能系統(tǒng)可以解決開(kāi)發(fā)人員通常難以通過(guò)編碼解決的問(wèn)題。以簡(jiǎn)單的文本識(shí)別為例。識(shí)別文本是編程的噩夢(mèng)，但如果使用機(jī)器學(xué)習(xí)，那么幾乎就像用 C 語(yǔ)言編寫(xiě)“Hello World”應(yīng)用程序一樣簡(jiǎn)單。

其次，智能系統(tǒng)可以很輕松地針對(duì)新數(shù)據(jù)和情況進(jìn)行擴(kuò)展。例如，如果某個(gè)系統(tǒng)接受了識(shí)別基本文本的訓(xùn)練，然后突然采用新字體提供文本，這時(shí)并不需要推倒重來(lái)。相反，只需提供額外的訓(xùn)練圖像，使該網(wǎng)絡(luò)也能學(xué)習(xí)識(shí)別新字體便可。

最后，我們還可以了解到，邊緣機(jī)器學(xué)習(xí)可以幫助開(kāi)發(fā)人員降低某些應(yīng)用類(lèi)型的成本，例如：

圖像識(shí)別

語(yǔ)音和音頻處理

語(yǔ)言處理

機(jī)器人

第一次檢查邊緣機(jī)器學(xué)習(xí)時(shí)，使用應(yīng)用處理器似乎是個(gè)不錯(cuò)的選擇。包括 OpenCV 在內(nèi)的幾種開(kāi)源工具專(zhuān)為計(jì)算機(jī)視覺(jué)而設(shè)計(jì)，我們可以從使用這些工具開(kāi)始。不過(guò)，許多應(yīng)用中僅使用應(yīng)用處理器可能還不夠，因?yàn)檫@些處理器不具備確定性的實(shí)時(shí)行為。

邊緣機(jī)器學(xué)習(xí)架構(gòu)

使用邊緣機(jī)器學(xué)習(xí)時(shí)，有三種典型方法：

邊緣節(jié)點(diǎn)獲取數(shù)據(jù)，然后在云端完成機(jī)器學(xué)習(xí)

邊緣節(jié)點(diǎn)獲取數(shù)據(jù)，然后在芯片上完成機(jī)器學(xué)習(xí)

邊緣節(jié)點(diǎn)獲取數(shù)據(jù)，然后在邊緣進(jìn)行第一遍機(jī)器學(xué)習(xí)，最后在云端進(jìn)行更深入的分析

前兩個(gè)解決方案是目前業(yè)界探索最多的解決方案，在本文中，我們將會(huì)重點(diǎn)關(guān)注這兩個(gè)解決方案。

使用邊緣設(shè)備獲取數(shù)據(jù)并使用基于云的機(jī)器學(xué)習(xí)系統(tǒng)來(lái)處理數(shù)據(jù)，這樣的架構(gòu)有幾個(gè)優(yōu)點(diǎn)。首先，邊緣設(shè)備不需要運(yùn)行機(jī)器學(xué)習(xí)算法所需的強(qiáng)大處理能力和資源。其次，邊緣設(shè)備可以繼續(xù)使用資源受限的低成本設(shè)備，就像許多嵌入式系統(tǒng)開(kāi)發(fā)人員習(xí)慣創(chuàng)建的系統(tǒng)一樣。唯一的區(qū)別是，邊緣設(shè)備需要能夠通過(guò) HTTPS 連接到基于云的服務(wù)提供商，以便分析它們的數(shù)據(jù)。第三，基于云的機(jī)器學(xué)習(xí)正在以驚人的速度發(fā)展，將這些功能轉(zhuǎn)移到片載解決方案將非常困難、耗時(shí)且成本高昂。

對(duì)于希望從基于云的機(jī)器學(xué)習(xí)開(kāi)始的開(kāi)發(fā)人員來(lái)說(shuō)，他們可以使用 STMicroelectronics 公司的 STM32F779I-EVAL 板（圖 1）這類(lèi)開(kāi)發(fā)板。該開(kāi)發(fā)板基于 STMicroelectronics 公司的 STM32F769NIH6 微控制器，配備了 Arm? Cortex?-M7 內(nèi)核、板載攝像頭、用于與云進(jìn)行高速通信的以太網(wǎng)端口，以及板載顯示器。該開(kāi)發(fā)板可與諸如 Express Logic 公司的 X-Ware IoT 平臺(tái)等軟件配合使用，輕松連接到任何機(jī)器學(xué)習(xí)云提供商，如 Amazon Web Services (AWS)、Microsoft Azure 和 Google Cloud。

在云端進(jìn)行機(jī)器學(xué)習(xí)對(duì)于開(kāi)發(fā)團(tuán)隊(duì)來(lái)說(shuō)可能意義非常重大，但有幾個(gè)原因可以解釋為什么機(jī)器學(xué)習(xí)開(kāi)始從云端轉(zhuǎn)向邊緣。雖然這些原因具有很強(qiáng)的應(yīng)用針對(duì)性，但確實(shí)也包括了一些重要因素，例如：

實(shí)時(shí)處理需求

帶寬限制

延遲

安全要求

如果某個(gè)應(yīng)用存在這方面的問(wèn)題，那么將神經(jīng)網(wǎng)絡(luò)從云端轉(zhuǎn)移到邊緣是可以行得通的。這種情況下，開(kāi)發(fā)人員必須對(duì)他們希望嵌入式處理器負(fù)責(zé)處理的內(nèi)容做到心里有數(shù)，以便應(yīng)用能夠盡可能高效地執(zhí)行。

選擇用于機(jī)器學(xué)習(xí)的處理器

在嵌入式處理器上運(yùn)行機(jī)器學(xué)習(xí)需要考慮幾個(gè)重要因素。首先，處理器必須能夠高效地執(zhí)行 DSP 指令，因此浮點(diǎn)運(yùn)算單元 (FPU) 非常有用。其次，需要具備可以在處理器上運(yùn)行的機(jī)器學(xué)習(xí)庫(kù)。學(xué)習(xí)庫(kù)需要包括卷積、池化和激活。如果沒(méi)有這些學(xué)習(xí)庫(kù)，開(kāi)發(fā)人員基本上需要從頭開(kāi)始編寫(xiě)深度學(xué)習(xí)算法，不但費(fèi)時(shí)，而且成本高昂。

最后，開(kāi)發(fā)人員需要確保微控制器上具有足夠的 CPU 周期，以便可以完成神經(jīng)網(wǎng)絡(luò)執(zhí)行以及分配給處理器的任何其他任務(wù)。

Arm Cortex-M 處理器現(xiàn)在配有 CMSIS-NN 擴(kuò)展，這是一個(gè)神經(jīng)網(wǎng)絡(luò)庫(kù)，其設(shè)計(jì)目的是在資源受限的環(huán)境中可以在微控制器上高效地運(yùn)行機(jī)器學(xué)習(xí)，這一特性使其成為基于邊緣的智能系統(tǒng)的絕佳選擇。確切的處理器選擇將取決于手頭的應(yīng)用，因此詳細(xì)了解幾款不同的開(kāi)發(fā)板及其最適合的應(yīng)用非常重要。

首先介紹 SparkFun Electronics 公司的 OpenMV 機(jī)器視覺(jué)開(kāi)發(fā)板（圖 2）。該模塊采用基于 Cortex-M7 的 STM32F765VI 處理器，運(yùn)行頻率 216 MHz，支持 512 KB RAM 和 2 MB 閃存。

OpenMV 模塊可用于：

通過(guò)幀差分檢測(cè)運(yùn)動(dòng)

顏色跟蹤

市場(chǎng)跟蹤

人臉檢測(cè)

眼動(dòng)跟蹤

線條和形狀檢測(cè)

模板匹配

由于該模塊的軟件基于 Arm CMSIS-NN 庫(kù)，因此可以在處理器上盡可能高效地運(yùn)行機(jī)器學(xué)習(xí)網(wǎng)絡(luò)。