本文旨在為硬件和嵌入式工程師提供機器學(xué)習(xí) （ML）、它是什么、它是如何工作的、為什么它很重要以及 TinyML 如何適應(yīng)。

機器學(xué)習(xí)是一個一直存在且經(jīng)常被誤解的技術(shù)概念。幾十年來，這種實踐是一門使用復(fù)雜處理和數(shù)學(xué)技術(shù)使計算機能夠找到大量輸入和輸出數(shù)據(jù)之間相關(guān)性的科學(xué)，這在我們的集體技術(shù)意識中已經(jīng)存在了幾十年。近年來，科學(xué)已經(jīng)爆炸式增長，這得益于以下方面的改進(jìn)：

計算能力

圖形處理單元 （GPU） 架構(gòu)支持的并行處理

適用于大規(guī)模工作負(fù)載的云計算

事實上，該領(lǐng)域一直專注于桌面和基于云的使用，以至于許多嵌入式工程師并沒有過多考慮ML如何影響他們。在大多數(shù)情況下，它沒有。

然而，隨著提尼毫升或微型機器學(xué)習(xí)（在微控制器和單板計算機等受限設(shè)備上的機器學(xué)習(xí)），ML已與所有類型的工程師相關(guān)，包括那些從事嵌入式應(yīng)用程序的工程師。除此之外，即使您熟悉TinyML，對機器學(xué)習(xí)有一個具體的了解也很重要。

在本文中，我將概述機器學(xué)習(xí)、其工作原理以及為什么它對嵌入式工程師很重要。

什么是機器學(xué)習(xí)？

作為人工智能 （AI）領(lǐng)域的一個子集，機器學(xué)習(xí)是一門專注于使用數(shù)學(xué)技術(shù)和大規(guī)模數(shù)據(jù)處理來構(gòu)建可以找到輸入和輸出數(shù)據(jù)之間關(guān)系的程序的學(xué)科。作為一個總稱，人工智能涵蓋了計算機科學(xué)的一個廣泛領(lǐng)域，專注于使機器能夠在沒有人為干預(yù)的情況下“思考”和行動。它涵蓋了從“通用智能”或機器以與人類相同的方式思考和行動的能力，到專門的、面向任務(wù)的智能，這是ML所屬的地方。

我過去聽到的最強大的ML定義方式之一是與經(jīng)典計算機編程中使用的傳統(tǒng)算法方法進(jìn)行比較。在經(jīng)典計算中，工程師向計算機提供輸入數(shù)據(jù)（例如，數(shù)字 2 和4）以及將它們轉(zhuǎn)換為所需輸出的算法（例如，將 x 和 y 相乘得到 z）。當(dāng)程序運行時，提供輸入，并應(yīng)用算法來生成輸出。如圖 1 所示。

圖1. 在經(jīng)典方法中，我們?yōu)橛嬎銠C提供輸入數(shù)據(jù)和算法，并要求答案。

另一方面，ML是向計算機提供一組輸入和輸出并要求計算機識別“算法”（或模型，使用ML術(shù)語）的過程，每次都將這些輸入轉(zhuǎn)換為輸出。通常，這需要大量輸入，以確保模型每次都能正確識別正確的輸出。

例如，在圖 2 中，如果我向 ML 系統(tǒng)提供數(shù)字 2 和 2，以及預(yù)期的輸出 4，它可能會決定算法始終將這兩個數(shù)字相加。但是，如果我隨后提供數(shù)字 2和 4 以及預(yù)期的輸出 8，則模型將從兩個示例中了解到，正確的方法是將提供的兩個數(shù)字相乘。

圖2. 使用ML，我們擁有數(shù)據(jù)（輸入）和答案（輸出），并且需要計算機通過確定輸入和輸出如何以適用于整個數(shù)據(jù)集的方式關(guān)聯(lián)來得出各種算法。

鑒于我使用一個簡單的例子來定義一個復(fù)雜的字段，你可能會問：為什么人們會費心使簡單的復(fù)雜化？為什么不堅持我們的經(jīng)典算法計算方法呢？

答案是，傾向于機器學(xué)習(xí)的問題類別通常不能通過純粹的算法方法來表達(dá)。沒有簡單的算法可以給計算機一張圖片，并要求它確定它是否包含貓或人臉。相反，我們利用ML并給它數(shù)千張圖片（作為像素集合），其中有貓，也有人臉，兩者都沒有，并且通過學(xué)習(xí)如何將這些像素和像素組與預(yù)期輸出相關(guān)聯(lián)來開發(fā)模型。當(dāng)機器看到新數(shù)據(jù)時，它會根據(jù)之前看到的所有示例推斷輸出。這個過程的這一部分，通常稱為預(yù)測或推理，是ML的魔力。

這聽起來很復(fù)雜，因為它確實如此。在嵌入式和物聯(lián)網(wǎng) （IoT） 系統(tǒng)領(lǐng)域，ML越來越多地被用于幫助機器視覺、異常檢測和預(yù)測性維護(hù)等領(lǐng)域。在這些領(lǐng)域中，我們收集大量數(shù)據(jù)（圖像和視頻、加速度計讀數(shù)、聲音、熱量和溫度），用于監(jiān)控設(shè)施、環(huán)境或機器。然而，我們經(jīng)常難以將數(shù)據(jù)轉(zhuǎn)化為我們可以采取行動的洞察力。條形圖很好，但是當(dāng)我們真正想要的是能夠在機器中斷和離線之前預(yù)測機器需要服務(wù)時，簡單的算法方法就行不通了。

機器學(xué)習(xí)開發(fā)循環(huán)

進(jìn)入機器學(xué)習(xí)。在有能力的數(shù)據(jù)科學(xué)家和ML工程師的指導(dǎo)下，這個過程從數(shù)據(jù)開始。也就是說，我們的嵌入式系統(tǒng)創(chuàng)建的大量數(shù)據(jù)。ML開發(fā)過程的第一步是在將數(shù)據(jù)輸入模型之前收集數(shù)據(jù)并對其進(jìn)行標(biāo)記。標(biāo)記是一個關(guān)鍵的分類步驟，也是我們將一組輸入與預(yù)期輸出相關(guān)聯(lián)的方式。

ML 中的標(biāo)記和數(shù)據(jù)收集

例如，一組加速度計 x、y 和 z 值可能對應(yīng)于計算機處于空閑狀態(tài)，另一組可能表示計算機運行良好，第三組可能對應(yīng)于問題。圖 3中可以看到高級描述。

圖3. ML 工程師在數(shù)據(jù)收集過程中使用標(biāo)簽對數(shù)據(jù)集進(jìn)行分類。

數(shù)據(jù)收集和標(biāo)記是一個耗時的過程，但對于正確處理至關(guān)重要。雖然 ML領(lǐng)域有一些創(chuàng)新，利用預(yù)先訓(xùn)練的模型來抵消一些工作和新興工具來簡化來自真實系統(tǒng)的數(shù)據(jù)收集，但這是一個不容錯過的步驟。世界上沒有ML模型可以可靠地告訴您您的機器或設(shè)備是否運行良好或即將崩潰，而無需看到該機器或其他類似機器的實際數(shù)據(jù)。

機器學(xué)習(xí)模型開發(fā)、訓(xùn)練、測試、優(yōu)化

數(shù)據(jù)收集后，接下來的步驟是模型開發(fā)、訓(xùn)練、測試和優(yōu)化。在此階段，數(shù)據(jù)科學(xué)家或工程師創(chuàng)建一個程序，該程序引入收集的大量輸入數(shù)據(jù)，并使用一種或多種方法將其轉(zhuǎn)換為預(yù)期的輸出。解釋這些方法可以填滿體積，但足以說明大多數(shù)模型對其輸入執(zhí)行一組轉(zhuǎn)換（例如，向量和矩陣乘法）。此外，它們將相互調(diào)整每個輸入的權(quán)重，以找到一組與預(yù)期輸出可靠相關(guān)的權(quán)重和函數(shù)。

該過程的這一階段通常是迭代的。工程師將調(diào)整模型、使用的工具和方法，以及在模型訓(xùn)練期間運行的迭代次數(shù)和其他參數(shù)，以構(gòu)建能夠可靠地將輸入數(shù)據(jù)與正確的輸出（也稱為標(biāo)簽）相關(guān)聯(lián)的東西。一旦工程師對這種相關(guān)性感到滿意，他們就會使用訓(xùn)練中未使用的輸入來測試模型，以查看模型在未知數(shù)據(jù)上的表現(xiàn)。如果模型在此新數(shù)據(jù)上表現(xiàn)不佳，工程師將重復(fù)該循環(huán)（如圖4 所示），并進(jìn)一步優(yōu)化模型。

圖4. 模型開發(fā)是一個包含許多步驟的迭代過程，但它始于數(shù)據(jù)收集。

模型準(zhǔn)備就緒后，將部署該模型并可用于針對新數(shù)據(jù)的實時預(yù)測。在傳統(tǒng) ML中，模型部署到云服務(wù)，以便正在運行的應(yīng)用程序可以調(diào)用它，該應(yīng)用程序提供所需的輸入并從模型接收輸出。應(yīng)用程序可能會提供一張圖片并詢問是否有人在場，或者一組加速度計讀數(shù)，并詢問模型這組讀數(shù)是否與空閑、正在運行或損壞的計算機相對應(yīng)。

正是在這個過程的這一部分，TinyML是如此重要和具有開創(chuàng)性。

那么TinyML適合在哪里呢？

如果還不清楚，機器學(xué)習(xí)是一個數(shù)據(jù)密集型過程。當(dāng)您嘗試通過關(guān)聯(lián)派生模型時，您需要大量數(shù)據(jù)來提供該模型。數(shù)百張圖像或數(shù)千個傳感器讀數(shù)。事實上，模型訓(xùn)練的過程是如此密集，如此專業(yè)化，以至于幾乎對任何人來說都是資源消耗者。

中央處理器 （CPU），無論多么強大。相反，ML 中常見的矢量和矩陣數(shù)學(xué)運算與圖形處理應(yīng)用程序沒有什么不同，這就是為什么 GPU

已成為模型開發(fā)如此受歡迎的選擇。

鑒于對強大計算的需求，云已成為減輕訓(xùn)練模型工作并托管它們以進(jìn)行實時預(yù)測的事實上的地方。雖然模型訓(xùn)練現(xiàn)在是，并且仍然是云的領(lǐng)域，特別是對于嵌入式和物聯(lián)網(wǎng)應(yīng)用程序，但我們越接近將實時預(yù)測的能力轉(zhuǎn)移到捕獲數(shù)據(jù)的地方，我們的系統(tǒng)就會越好。在微控制器上運行模型時，我們受益于內(nèi)置安全性和低延遲，以及在本地環(huán)境中做出決策和采取行動的能力，而無需依賴互聯(lián)網(wǎng)連接。

這是TinyML的領(lǐng)域，平臺公司喜歡 邊緣脈沖 正在構(gòu)建基于云的傳感器數(shù)據(jù)收集和 ML 架構(gòu)工具，以輸出專為 微控制器單元

（MCU）。其中越來越多的硅供應(yīng)商，從 意法半導(dǎo)體 自 阿里夫半導(dǎo)體 正在構(gòu)建具有類似 GPU 的計算功能的芯片，使其非常適合在收集數(shù)據(jù)的位置與傳感器一起運行

ML 工作負(fù)載。

對于嵌入式和物聯(lián)網(wǎng)工程師來說，現(xiàn)在是探索機器學(xué)習(xí)世界的最佳時機，從云到最小的設(shè)備。我們的系統(tǒng)只會比以往任何時候都更加復(fù)雜，處理的數(shù)據(jù)也越來越多。將ML帶到邊緣意味著我們可以處理這些數(shù)據(jù)并更快地做出決策。