嵌入式電子+人工智能

在技術(shù)發(fā)展的歷史上，技術(shù)先獨(dú)立發(fā)展再相互融合以改變世界的例子比比皆是。原子能和噴氣式發(fā)動(dòng)機(jī)的融合催生了核動(dòng)力航母，改變了20世紀(jì)大部分戰(zhàn)爭(zhēng)的形態(tài)。計(jì)算機(jī)和射頻通信的融合產(chǎn)生了智能手機(jī)，同時(shí)也重新定義了我們與技術(shù)以及彼此之間的互動(dòng)方式。今天，嵌入式電子和人工智能（AI）的融合正日益成為下一個(gè)具有顛覆性的技術(shù)組合。接下來(lái)我們就看一下這種融合的發(fā)展演變。

歡迎來(lái)到網(wǎng)絡(luò)邊緣 人工智能的概念最早出現(xiàn)在古希臘人的著作中，但直到20世紀(jì)上半葉，才開始將其作為一種實(shí)際技術(shù)進(jìn)行開發(fā)。從根本上來(lái)說，人工智能讓數(shù)字技術(shù)仿佛人腦一樣，能夠與模擬世界高效而快速地互動(dòng)溝通。為了讓人工智能在現(xiàn)實(shí)世界獲得實(shí)際應(yīng)用，比如在自動(dòng)駕駛車輛中，那么在處理多個(gè)動(dòng)態(tài)輸入時(shí)，電子設(shè)備和物理世界之間的交互必須接近瞬時(shí)完成。值得慶幸的是，隨著機(jī)器學(xué)習(xí)算法的發(fā)展，嵌入式電子系統(tǒng)也在不斷進(jìn)步。他們的聯(lián)姻催生出了邊緣計(jì)算的概念。

邊緣計(jì)算將過去只有云端強(qiáng)大處理硬件才具備的處理能力，帶給了位于物理-數(shù)字接口邊緣的本地設(shè)備。再加上MCU和傳感器等價(jià)格便宜而又性能強(qiáng)大的嵌入式組件的普及，最終在自動(dòng)化領(lǐng)域掀起了一場(chǎng)規(guī)模、功能都史無(wú)前例的革命。

TensorFlow Lite：基于微型硬件的大型機(jī)器學(xué)習(xí)算法

TensorFlow是Google主導(dǎo)開發(fā)的一套開源軟件庫(kù)，使開發(fā)人員能夠輕松地將復(fù)雜的數(shù)值計(jì)算算法和機(jī)器學(xué)習(xí)（ML）集成到他們的項(xiàng)目中（圖1）。按照Google的說法，這些庫(kù)為Python（所有平臺(tái)上的Python 3.7+）和C語(yǔ)言提供穩(wěn)定的應(yīng)用程序編程接口（API）。此外，它們還為C++、Go、Java和JavaScript提供不保證向后兼容的API。針對(duì)Apple公司的Swift語(yǔ)言，它也提供了一個(gè)alpha版本。

TensorFlow為深度神經(jīng)網(wǎng)絡(luò)（DNN）的開發(fā)和利用提供了我們常說的端到端機(jī)器學(xué)習(xí)支持。DNN是機(jī)器學(xué)習(xí)的一種應(yīng)用類型，特別擅長(zhǎng)模式識(shí)別以及對(duì)象檢測(cè)與分類。TensorFlow庫(kù)支持機(jī)器學(xué)習(xí)過程的兩個(gè)階段，即訓(xùn)練和推斷。其中第一階段是深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，這需要大量算力，通常由服務(wù)器級(jí)硬件和圖形處理單元（GPU）提供。張量處理單元（TPU）則是最近開發(fā)的一種專用集成電路，用于支持這種訓(xùn)練。第二階段是推斷，即利用在現(xiàn)實(shí)世界中接受訓(xùn)練的DNN來(lái)回應(yīng)新的輸入：按照培訓(xùn)好的模型分析這些輸入，并根據(jù)分析結(jié)果提出建議。這應(yīng)該是嵌入式產(chǎn)品開發(fā)人員比較感興趣的階段。

適用于MCU的TensorFlow Lite（TensorFlow庫(kù)的一個(gè)子集）專門用于在內(nèi)存受限的設(shè)備上執(zhí)行推斷，大多數(shù)嵌入式系統(tǒng)應(yīng)用中都存在這種設(shè)備。它不允許您訓(xùn)練新的網(wǎng)絡(luò)，那仍然需要更高端的硬件。

實(shí)用為王：ML應(yīng)用實(shí)例

在嵌入式系統(tǒng)上運(yùn)行人工智能算法的目標(biāo)，就是要比傳統(tǒng)程序或面向?qū)ο蟮木幊谭椒ǜ咝У靥幚韨鞲衅魇占恼鎸?shí)世界數(shù)據(jù)。也許在大家的意識(shí)中，最常見的使用案例是從傳統(tǒng)汽車到具有自動(dòng)輔助功能（如車道偏離警報(bào)和防撞系統(tǒng)）的汽車，再到無(wú)人駕駛汽車這個(gè)最終目標(biāo)的發(fā)展歷程。不過，深度學(xué)習(xí)還有其他一些不那么顯眼的用例，雖然你不知道，但已經(jīng)在使用了。智能手機(jī)中的語(yǔ)音識(shí)別或Amazon Alexa等虛擬助手均使用了深度學(xué)習(xí)算法。其他用例包括用于安防領(lǐng)域的面部檢測(cè)和/或背景替換、去除綠幕、遠(yuǎn)程會(huì)議軟件（如Zoom）等。

人工智能、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)等術(shù)語(yǔ)有時(shí)候給人的印象就像科幻小說或行話。那么這些新興技術(shù)的現(xiàn)實(shí)意義何在？

使用AI，可以自動(dòng)監(jiān)測(cè)安全源來(lái)識(shí)別某些人

同時(shí)使用機(jī)器學(xué)習(xí)算法和聯(lián)網(wǎng)設(shè)備（如物聯(lián)網(wǎng)設(shè)備）帶來(lái)的一個(gè)巨大優(yōu)勢(shì)就是，隨著時(shí)間的推移，產(chǎn)品可以通過簡(jiǎn)單的OTA固件更新來(lái)集成新的或經(jīng)過更好訓(xùn)練的模型。這意味著產(chǎn)品可以逐漸變得更加智能，并且不局限于制造時(shí)能夠?qū)崿F(xiàn)的功能，只要新的模型和固件不超出硬件的物理內(nèi)存和處理能力即可。

圖3：將TensorFlow模型轉(zhuǎn)換為可在MCU等內(nèi)存受限設(shè)備上使用的版本。
（圖源：NXP）

工作流程 根據(jù)適用于MCU的TensorFlow Lite的說明文檔，開發(fā)人員的工作流程可以分為五個(gè)關(guān)鍵步驟（圖3），具體如下：

1、創(chuàng)建或獲取一個(gè)TensorFlow模型

該模型必須足夠小，以便在轉(zhuǎn)換后適合目標(biāo)設(shè)備，并且它只能使用支持的運(yùn)算。如果要使用當(dāng)前不支持的運(yùn)算，可以提供自定義實(shí)現(xiàn)。

2、將模型轉(zhuǎn)換為TensorFlow Lite FlatBuffer

使用TensorFlow Lite轉(zhuǎn)換器將模型轉(zhuǎn)換為標(biāo)準(zhǔn)TensorFlow Lite格式。您可能希望輸出一個(gè)量化模型，因?yàn)檫@種模型的尺寸更小，執(zhí)行效率更高。

3、將FlatBuffer轉(zhuǎn)換為C位數(shù)組

模型保存在只讀程序內(nèi)存中，并以簡(jiǎn)單的C文件形式提供?？梢允褂脴?biāo)準(zhǔn)工具將FlatBuffer轉(zhuǎn)換為C位數(shù)組。

4/集成適用于MCU的TensorFlow Lite C++庫(kù)

編寫MCU代碼來(lái)收集數(shù)據(jù)，使用C++庫(kù)執(zhí)行推斷，然后使用結(jié)果。

5、部署到設(shè)備

編寫程序并將其部署到您的設(shè)備。

選擇與TensorFlow Lite庫(kù)一起使用的兼容嵌入式平臺(tái)時(shí)，開發(fā)人員應(yīng)注意以下幾點(diǎn)：

基于32位架構(gòu)（如Arm Cortex-M處理器）和ESP32的系統(tǒng)。

它可以在內(nèi)存僅有數(shù)十KB的系統(tǒng)上運(yùn)行。

適用于MCU的TensorFlow Lite采用C++ 11編寫。

適用于MCU的TensorFlow Lite可作為Arduino庫(kù)提供。該框架還可以為其他開發(fā)環(huán)境（如Mbed）生成項(xiàng)目。

不需要操作系統(tǒng)支持、動(dòng)態(tài)內(nèi)存分配或任何C/C++標(biāo)準(zhǔn)庫(kù)。

后續(xù)步驟 Google提供四個(gè)預(yù)先訓(xùn)練的模型作為示例，可用于在嵌入式平臺(tái)上運(yùn)行。只需稍做修改，就能在各種開發(fā)板上使用。這些示例包括：

1、Hello World

演示使用適用于MCU的TensorFlow Lite的必備基礎(chǔ)知識(shí)。

2、Micro-Speech

用麥克風(fēng)捕捉音頻以檢測(cè)單詞“yes”和“no”。

3、Person Detection

用圖像傳感器捕捉攝像頭數(shù)據(jù)，以檢測(cè)是否有人。

4、Magic Wand

捕獲加速度計(jì)數(shù)據(jù)以對(duì)三種不同的身體姿勢(shì)進(jìn)行分類。

編輯：hfy