將人工智能放入嵌入式應用程序的吸引力是顯而易見的，例如使用面部識別來授權訪問工廠車間的機器控制。人臉識別、語音控制、異常檢測，有了AI就有了很多可能。我將在此博客中使用 face-id 作為示例。比傳統的人機界面和密碼更易于使用、更智能、更強大。更不用說其他人都在這樣做。AI 的工作方式可能看起來很神奇，但它可以做的是迅速成為最低限度的期望。沒有人愿意根據昨天的技術透明地評估產品。

挑戰

產品制造商有問題。基于人工智能的開發與標準的嵌入式開發有很大不同。你不是在寫軟件，至少是為了核心功能。你必須訓練一個神經網絡來識別模式（如圖像），就像你在學校訓練一個孩子一樣。然后，您必須針對嵌入式設備的受限占用空間優化該網絡，以滿足尺寸和功率目標。神經網絡可能不是常規代碼，但網絡及其計算仍然會消耗內存并消耗功率。作為嵌入式開發人員，您知道盡可能壓縮這些指標的重要性。我將在下一篇博客中討論這個問題。現在讓我們至少了解一下這些神經網絡是如何工作的。

基礎知識

我不想向您介紹關于神經網絡的冗長解釋。正是您將要做的事情才能使您的應用程序正常工作。神經網絡在概念上是一系列“神經元”層。每個神經元從前一層或輸入數據中讀取兩個（或更多）輸入，使用經過訓練的權重進行計算并前饋結果。基于這些權重，一個層會檢測特征，隨著您在層中移動，它會逐漸變得更加復雜，最終在輸出端識別出復雜的圖像。

第一個聰明的部分是設計網絡——有多少層，層之間的連接等等——核心神經網絡算法。第二個聰明的部分是訓練。這是一個過程，其中許多圖像通過網絡運行，并帶有標簽以識別應該識別的內容。這些運行建立了識別所需的權重值。

如果您有野心，您可以從頭開始為TensorFlow等標準網絡之一構建自己的神經網絡。您也可以從開源選項開始，例如face-id 的這個選項。您可以將所有這些構建到一個可以在筆記本電腦上運行的應用程序中，這對于想要注冊新批準的面孔的客戶來說非常方便。現在，您可以使用一組經過批準的多個姿勢的人臉測試集開始訓練您的網絡。

為什么不直接在云端執行此操作？

有些服務可以在線進行人臉識別——無需在您的設備上使用凌亂的人工智能。只需拍照，將其上傳到云端，應用程序會回傳一個 OK，您的產品就會批準下一步。

但是 - 您所有獲批準的員工都需要在云中擁有他們的照片和其他憑據。對于安全和隱私而言，這可能不是一個好主意。每次工作人員想要訪問機器時，您將消耗相當多的能量將圖像傳輸到云。而且，如果您的 Internet 連接中斷，則在它恢復之前，任何人都無法獲得批準。在設備上進行身份驗證可以保護隱私和安全，保持低功率需求，即使在網絡連接斷開時也能繼續工作。

接下來——嵌入你訓練有素的網絡

現在你已經完成了人工智能的困難部分，你必須將它下載到你的設備上。這本身就是一個有趣的步驟，您肯定需要 AI 平臺的幫助。我將在下一篇博客中詳細討論。同時，有關更多信息，請查看“實時嵌入式世界的深度學習”。

審核編輯 黃昊宇