機器學習正在從云端轉移到網(wǎng)絡邊緣，目的是進行實時處理、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)點上的物聯(lián)網(wǎng) (IoT) 設備只有有限的資源，因此開發(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)使用機器學習，為開發(fā)人員提供了幾項新機會，可以徹底改變他們設計系統(tǒng)的方式。開發(fā)人員可以使用幾種不同的架構和技術將智能添加到邊緣節(jié)點。學習完本文后，我們將更加熟悉這些架構以及一些可用于加快該過程的技術。

邊緣機器學習的作用

邊緣機器學習對嵌入式系統(tǒng)工程師非常有用，原因有很多。首先，智能系統(tǒng)可以解決開發(fā)人員通常難以通過編碼解決的問題。以簡單的文本識別為例。識別文本是編程的噩夢，但如果使用機器學習，那么幾乎就像用 C 語言編寫“Hello World”應用程序一樣簡單。

其次，智能系統(tǒng)可以很輕松地針對新數(shù)據(jù)和情況進行擴展。例如，如果某個系統(tǒng)接受了識別基本文本的訓練，然后突然采用新字體提供文本，這時并不需要推倒重來。相反，只需提供額外的訓練圖像，使該網(wǎng)絡也能學習識別新字體便可。

最后，我們還可以了解到，邊緣機器學習可以幫助開發(fā)人員降低某些應用類型的成本，例如：

圖像識別

語音和音頻處理

語言處理

機器人

第一次檢查邊緣機器學習時，使用應用處理器似乎是個不錯的選擇。包括 OpenCV 在內的幾種開源工具專為計算機視覺而設計，我們可以從使用這些工具開始。不過，許多應用中僅使用應用處理器可能還不夠，因為這些處理器不具備確定性的實時行為。

邊緣機器學習架構

使用邊緣機器學習時，有三種典型方法：

邊緣節(jié)點獲取數(shù)據(jù)，然后在云端完成機器學習

邊緣節(jié)點獲取數(shù)據(jù)，然后在芯片上完成機器學習

邊緣節(jié)點獲取數(shù)據(jù)，然后在邊緣進行第一遍機器學習，最后在云端進行更深入的分析

前兩個解決方案是目前業(yè)界探索最多的解決方案，在本文中，我們將會重點關注這兩個解決方案。

使用邊緣設備獲取數(shù)據(jù)并使用基于云的機器學習系統(tǒng)來處理數(shù)據(jù)，這樣的架構有幾個優(yōu)點。首先，邊緣設備不需要運行機器學習算法所需的強大處理能力和資源。其次，邊緣設備可以繼續(xù)使用資源受限的低成本設備，就像許多嵌入式系統(tǒng)開發(fā)人員習慣創(chuàng)建的系統(tǒng)一樣。唯一的區(qū)別是，邊緣設備需要能夠通過 HTTPS 連接到基于云的服務提供商，以便分析它們的數(shù)據(jù)。第三，基于云的機器學習正在以驚人的速度發(fā)展，將這些功能轉移到片載解決方案將非常困難、耗時且成本高昂。

對于希望從基于云的機器學習開始的開發(fā)人員來說，他們可以使用 STMicroelectronics 公司的 STM32F779I-EVAL 板（圖 1）這類開發(fā)板。該開發(fā)板基于 STMicroelectronics 公司的 STM32F769NIH6 微控制器，配備了 Arm? Cortex?-M7 內核、板載攝像頭、用于與云進行高速通信的以太網(wǎng)端口，以及板載顯示器。該開發(fā)板可與諸如 Express Logic 公司的 X-Ware IoT 平臺等軟件配合使用，輕松連接到任何機器學習云提供商，如 Amazon Web Services (AWS)、Microsoft Azure 和 Google Cloud。

在云端進行機器學習對于開發(fā)團隊來說可能意義非常重大，但有幾個原因可以解釋為什么機器學習開始從云端轉向邊緣。雖然這些原因具有很強的應用針對性，但確實也包括了一些重要因素，例如：

實時處理需求

帶寬限制

延遲

安全要求

如果某個應用存在這方面的問題，那么將神經(jīng)網(wǎng)絡從云端轉移到邊緣是可以行得通的。這種情況下，開發(fā)人員必須對他們希望嵌入式處理器負責處理的內容做到心里有數(shù)，以便應用能夠盡可能高效地執(zhí)行。

選擇用于機器學習的處理器

在嵌入式處理器上運行機器學習需要考慮幾個重要因素。首先，處理器必須能夠高效地執(zhí)行 DSP 指令，因此浮點運算單元 (FPU) 非常有用。其次，需要具備可以在處理器上運行的機器學習庫。學習庫需要包括卷積、池化和激活。如果沒有這些學習庫，開發(fā)人員基本上需要從頭開始編寫深度學習算法，不但費時，而且成本高昂。

最后，開發(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)絡執(zhí)行以及分配給處理器的任何其他任務。

Arm Cortex-M 處理器現(xiàn)在配有 CMSIS-NN 擴展，這是一個神經(jīng)網(wǎng)絡庫，其設計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行機器學習，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用，因此詳細了解幾款不同的開發(fā)板及其最適合的應用非常重要。

首先介紹 SparkFun Electronics 公司的 OpenMV 機器視覺開發(fā)板（圖 2）。該模塊采用基于 Cortex-M7 的 STM32F765VI 處理器，運行頻率 216 MHz，支持 512 KB RAM 和 2 MB 閃存。

OpenMV 模塊可用于：

通過幀差分檢測運動

顏色跟蹤

市場跟蹤

人臉檢測

眼動跟蹤

線條和形狀檢測

模板匹配

由于該模塊的軟件基于 Arm CMSIS-NN 庫，因此可以在處理器上盡可能高效地運行機器學習網(wǎng)絡。