作者：貿(mào)澤電子Mark Patrick

　　云計算具有許多優(yōu)勢，例如可以靈活地工作，包括在家中進(jìn)行高效率且富有成果的工作（在新冠大流行期間這些非常重要），并且使更多人可以使用人工智能（AI）和大數(shù)據(jù)等應(yīng)用的強(qiáng)大且先進(jìn)功能。作為物聯(lián)網(wǎng)的中心，云計算需要收集來自環(huán)境傳感器，工業(yè)執(zhí)行器，自動駕駛汽車等數(shù)十億個物聯(lián)網(wǎng)端點的數(shù)據(jù)，因而云計算是使個人和企業(yè)享受智能世界優(yōu)勢的重要動力。

　　但是云計算也有缺點。要維持互聯(lián)網(wǎng)連接非常耗能，對于小型設(shè)備而言，在技術(shù)上可能很難實現(xiàn)，或者非常昂貴。如果每一比特數(shù)據(jù)都需要傳回云端，那么網(wǎng)絡(luò)可能會因M2M流量而堵塞。此外，過多依賴云計算會導(dǎo)致延遲，需要提交的服務(wù)因此也會延遲，不能使IoT設(shè)備實時確定地運行。此外，通過網(wǎng)絡(luò)傳輸數(shù)據(jù)并與其它云計算應(yīng)用共享數(shù)據(jù)也會帶來隱私和安全性問題。

　　處理能力需求追蹤

　　處理數(shù)據(jù)并根據(jù)結(jié)果做出決策，這種過程所需的計算能力正在從云端遷移到網(wǎng)絡(luò)邊緣。從企業(yè)計算或運營商的角度來看，邊緣計算與核心網(wǎng)絡(luò)外圍的網(wǎng)關(guān)設(shè)備相關(guān)聯(lián)，這可以進(jìn)一步細(xì)分為近端基礎(chǔ)設(shè)施，通常負(fù)責(zé)通用服務(wù)，而處在在更接近最終用戶的遠(yuǎn)端應(yīng)用則變得更加具體化。

　　隨著計算能力提高，邊緣正在成為智能邊緣。但是為什么要就此止步？將強(qiáng)大的計算功能進(jìn)一步向外擴(kuò)展以涵蓋傳感器和執(zhí)行器、數(shù)據(jù)聚合器和網(wǎng)關(guān)等物聯(lián)網(wǎng)端點，將創(chuàng)建嵌入式邊緣。這樣，新的解決方案應(yīng)運而生，可幫助克服嵌入式設(shè)計人員面臨的傳統(tǒng)限制，包括功耗、計算性能、內(nèi)存占用空間和物理尺寸等。

　　邊緣處理能帶來什么？

　　處理器技術(shù)的發(fā)展使之可以完成更復(fù)雜的任務(wù)，并提供更高的性能，同時消耗更少的電能，利用連續(xù)幾代處理器所帶來的進(jìn)步，嵌入式邊緣計算作為物聯(lián)網(wǎng)處理的支柱將繼續(xù)變得越來越重要。

　　尤其像工業(yè)4.0和自動駕駛這樣影響巨大的產(chǎn)業(yè)趨勢正在催生一些新應(yīng)用，它們要求低延遲和網(wǎng)絡(luò)獨立性，而邊緣處理則可以提供。這些示例包括機(jī)器視覺（見圖1）和車輛導(dǎo)航等，通過在嵌入式系統(tǒng)上融入機(jī)器學(xué)習(xí)推理，可以進(jìn)一步加速和改善這些應(yīng)用。

　　當(dāng)今機(jī)器學(xué)習(xí)的性能可以勝過傳統(tǒng)的機(jī)器視覺應(yīng)用，此外還支持其他功能。自動導(dǎo)航車輛（AGV）不僅可以簡單地檢測行駛路徑中的物體，而且可以識別和分類它們。隨著工廠操作空間變得越來越擁擠，需要容納越來越多的員工和移動或靜態(tài)機(jī)器人，這已成為越來越重要的功能。

　　同樣，機(jī)器學(xué)習(xí)技術(shù)可以提高工業(yè)狀態(tài)監(jiān)視系統(tǒng)中模式識別的效率，從而提高診斷準(zhǔn)確性。其他一些可以從本地機(jī)器學(xué)習(xí)功能中受益的應(yīng)用包括智能農(nóng)業(yè)，能夠通過圖像識別訓(xùn)練以自動識別農(nóng)作物病害，而無需Internet連接。

　　使用TinyML進(jìn)行機(jī)器學(xué)習(xí)

　　為了在嵌入式設(shè)備中實現(xiàn)這些功能，微型機(jī)器學(xué)習(xí)（TinyML）的概念正在興起。TinyML包含了針對資源受限嵌入式系統(tǒng)而量身定制的機(jī)器學(xué)習(xí)框架，開發(fā)人員需要工具來構(gòu)建和訓(xùn)練機(jī)器學(xué)習(xí)模型，然后對其進(jìn)行優(yōu)化以部署在諸如微控制器、小型處理器或FPGA之類的邊緣設(shè)備上。

　　TinyML的工作原理體現(xiàn)在一些面向邊緣的機(jī)器學(xué)習(xí)框架中，例如TensorFlow Lite（見圖2）。這個非常流行且廣泛使用的框架擁有一些工具，其中包括用于優(yōu)化標(biāo)準(zhǔn)TensorFlow模型以在嵌入式Linux等目標(biāo)設(shè)備上運行的轉(zhuǎn)換器（converter），以及用于運行優(yōu)化模型的編譯器（interpreter）。

?

　　圖2：Tensorflow Lite針對嵌入式部署優(yōu)化的機(jī)器學(xué)習(xí)模型。

　　此外，針對微控制器的TensorFlow Lite是專門為內(nèi)存極為有限的設(shè)備上運行機(jī)器學(xué)習(xí)而創(chuàng)建，內(nèi)核運行時僅占用幾KB內(nèi)存，并且已在基于Arm?Cortex?-M內(nèi)核的許多微控制器上進(jìn)行了測試。TensorFlow Lite工具可提供多種方法來減小在嵌入式設(shè)備或微控制器上運行的TensorFlow模型大小。

　　邊緣推理解決方案

　　領(lǐng)先的微控制器供應(yīng)商目前正在為部署AI推理和機(jī)器學(xué)習(xí)提供有效的生態(tài)系統(tǒng)和流程，您可以獲得這樣的嵌入式微控制器，其架構(gòu)設(shè)計允許部署神經(jīng)網(wǎng)絡(luò)以運行機(jī)器學(xué)習(xí)算法。

　　新一代專為機(jī)器學(xué)習(xí)推斷而設(shè)計的微控制器正在不斷出現(xiàn)。TI Sitara?處理器系列中的AM5729即是一例。AM5729除了具備兩個Arm Cortex-A15內(nèi)核和一個Cortex-M4嵌入式內(nèi)核外，還包含四個嵌入式視覺引擎（EVE），能夠支持深度學(xué)習(xí)網(wǎng)絡(luò)以確保較高的推理性能。TI深度學(xué)習(xí)（TIDL）軟件框架和TIDL接口可幫助開發(fā)人員在嵌入式處理器上構(gòu)建、訓(xùn)練和部署神經(jīng)網(wǎng)絡(luò)。

　　意法半導(dǎo)體（STMicroelectronics）用于神經(jīng)網(wǎng)絡(luò)的工具箱包括STM32Cube.AI轉(zhuǎn)換工具，用于轉(zhuǎn)換使用各種流行框架創(chuàng)建且經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，該工具會自動生成針對STM32 Arm Cortex-M微控制器優(yōu)化的程序庫。AI生態(tài)系統(tǒng)還提供軟件功能包，其中包含必要的低級別驅(qū)動程序和中間件庫，以部署經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)。還有用于音頻場景分類和人員活動檢測的示例應(yīng)用，可幫助用戶快速學(xué)習(xí)如何使用嵌入式AI。ST工具箱還提供專用的移動應(yīng)用程序，以及ST的SensorTile參考硬件，用于運行推理或數(shù)據(jù)收集。 SensorTile是包含環(huán)境和周邊傳感器的交鑰匙板，是一種預(yù)先集成的即插即用模塊。

　　Microchip可為其微處理器、FPGA和諸如SAM D21系列之類的32位微控制器提供機(jī)器學(xué)習(xí)支持。該公司的工具可幫助開發(fā)人員使用TensorFlow、Keras和Caff以及TinyML框架（例如TensorFlow Lite）等流行的機(jī)器學(xué)習(xí)框架。在使用MPLAB?系列工具應(yīng)對微控制器或微處理器時，開發(fā)人員可以利用ML插件和MPLAB Data Visualizer等工具來捕獲數(shù)據(jù)，以利用Microchip合作伙伴的工具來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，其中包括可以自動搜索AI模型，幫助分析傳感器數(shù)據(jù)并生成程序庫的Cartesiam Nano Edge AI Studio，以及具有Edge Impulse Inferencing SDK C++庫的Edge Impulse Studio，可將TensorFlow Lite用于微控制器。用戶可以使用Microchip MPLAB X IDE將項目部署在所選MCU上。

　　瑞薩電子（Renesas）的嵌入式人工智能（e-AI）平臺包含多個概念，可幫助在端點設(shè)備中實現(xiàn)AI。Renesas RZ/A2M 微處理器采用動態(tài)可重配置處理器（DRP）技術(shù)，能夠?qū)⒂布铀倨鞯男阅芘cCPU的靈活性相結(jié)合，以實現(xiàn)高速、低功耗的機(jī)器視覺應(yīng)用。該平臺還提供了包括e-AI轉(zhuǎn)換器在內(nèi)的工具，可以將經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型推理處理轉(zhuǎn)換，并導(dǎo)入到可以在e2studio IDE C / C ++項目中使用的源代碼文件。可以使用TensorFlow之類的開源深度學(xué)習(xí)框架來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

　　此外，創(chuàng)客（makers）、年輕工程師和專業(yè)人士現(xiàn)在都可以使用Google AIY自己動手制作AI套件和Google Coral本地AI平臺來嘗試構(gòu)建智能設(shè)備。 AIY套件具有一個智能相機(jī)，該其中包括Raspberry Pi板和攝像頭、一個Vision閥蓋（bonnet）、必要的電纜和按鈕，以及一個簡單的板式外殼，可讓用戶快速了解圖像識別。類似的智能揚(yáng)聲器套件可幫助開發(fā)語音識別技術(shù)。

　　Google Coral能夠提供多種硬件選擇，包括開發(fā)板、迷你開發(fā)板和USB加速器，可以為用戶提供將AI“嵌入”現(xiàn)有產(chǎn)品的協(xié)處理器。該工具包支持TensorFlow Lite，所有板均包含Google的Edge TPU，這是與Google Cloud TPU相關(guān)的張量（tensor）處理單元，該處理單元經(jīng)專門設(shè)計，占位面積小，功耗低。

　　結(jié)論：邊緣計算的未來在于嵌入式智能

　　提高網(wǎng)絡(luò)邊緣設(shè)備的計算能力有助于確保可靠、高性能和保護(hù)隱私的物聯(lián)網(wǎng)應(yīng)用。從網(wǎng)絡(luò)網(wǎng)關(guān)和聚合器到IoT端點等各個位置的設(shè)備都可以視為邊緣設(shè)備，人工智能正在得到越來越多應(yīng)用，以滿足對性能和效率的需求，包括用于微控制器部署的機(jī)器學(xué)習(xí)解決方案，例如開源TinyML框架和領(lǐng)先制造商提供的經(jīng)過優(yōu)化、加速的微控制器架構(gòu)。借助于各種工具、平臺和即插即用工具包，無論是初學(xué)者還是經(jīng)驗豐富的專業(yè)人員，所有開發(fā)人員都能夠探索各種可能的應(yīng)用開發(fā)。