機(jī)器學(xué)習(xí)正在從云端轉(zhuǎn)移到網(wǎng)絡(luò)邊緣，目的是進(jìn)行實(shí)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(diǎn)上的物聯(lián)網(wǎng) (IoT) 設(shè)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(jī)器學(xué)習(xí)，為開發(fā)人員提供了幾項(xiàng)新機(jī)會，可以徹底改變他們設(shè)計(jì)系統(tǒng)的方式。開發(fā)人員可以使用幾種不同的架構(gòu)和技術(shù)將智能添加到邊緣節(jié)點(diǎn)。學(xué)習(xí)完本文后，我們將更加熟悉這些架構(gòu)以及一些可用于加快該過程的技術(shù)。

邊緣機(jī)器學(xué)習(xí)的作用

邊緣機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)，那么幾乎就像用 C 語言編寫“Hello World”應(yīng)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(jìn)行擴(kuò)展。例如，如果某個系統(tǒng)接受了識別基本文本的訓(xùn)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(xùn)練圖像，使該網(wǎng)絡(luò)也能學(xué)習(xí)識別新字體便可。

最后，我們還可以了解到，邊緣機(jī)器學(xué)習(xí)可以幫助開發(fā)人員降低某些應(yīng)用類型的成本，例如：

圖像識別

語音和音頻處理

語言處理

機(jī)器人

第一次檢查邊緣機(jī)器學(xué)習(xí)時，使用應(yīng)用處理器似乎是個不錯的選擇。包括 OpenCV 在內(nèi)的幾種開源工具專為計(jì)算機(jī)視覺而設(shè)計(jì)，我們可以從使用這些工具開始。不過，許多應(yīng)用中僅使用應(yīng)用處理器可能還不夠，因?yàn)檫@些處理器不具備確定性的實(shí)時行為。

邊緣機(jī)器學(xué)習(xí)架構(gòu)

使用邊緣機(jī)器學(xué)習(xí)時，有三種典型方法：

邊緣節(jié)點(diǎn)獲取數(shù)據(jù)，然后在云端完成機(jī)器學(xué)習(xí)

邊緣節(jié)點(diǎn)獲取數(shù)據(jù)，然后在芯片上完成機(jī)器學(xué)習(xí)

邊緣節(jié)點(diǎn)獲取數(shù)據(jù)，然后在邊緣進(jìn)行第一遍機(jī)器學(xué)習(xí)，最后在云端進(jìn)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(diǎn)關(guān)注這兩個解決方案。

使用邊緣設(shè)備獲取數(shù)據(jù)并使用基于云的機(jī)器學(xué)習(xí)系統(tǒng)來處理數(shù)據(jù)，這樣的架構(gòu)有幾個優(yōu)點(diǎn)。首先，邊緣設(shè)備不需要運(yùn)行機(jī)器學(xué)習(xí)算法所需的強(qiáng)大處理能力和資源。其次，邊緣設(shè)備可以繼續(xù)使用資源受限的低成本設(shè)備，就像許多嵌入式系統(tǒng)開發(fā)人員習(xí)慣創(chuàng)建的系統(tǒng)一樣。唯一的區(qū)別是，邊緣設(shè)備需要能夠通過 HTTPS 連接到基于云的服務(wù)提供商，以便分析它們的數(shù)據(jù)。第三，基于云的機(jī)器學(xué)習(xí)正在以驚人的速度發(fā)展，將這些功能轉(zhuǎn)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(jī)器學(xué)習(xí)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(nèi)核、板載攝像頭、用于與云進(jìn)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(jī)器學(xué)習(xí)云提供商，如 Amazon Web Services (AWS)、Microsoft Azure 和 Google Cloud。

圖 1：STM32F779I-EVAL 板基于 Arm Cortex-M7 處理器，包含了進(jìn)行片載或云端深度學(xué)習(xí)所需的一切資源。（圖片來源：STMicroelectronics）

在云端進(jìn)行機(jī)器學(xué)習(xí)對于開發(fā)團(tuán)隊(duì)來說可能意義非常重大，但有幾個原因可以解釋為什么機(jī)器學(xué)習(xí)開始從云端轉(zhuǎn)向邊緣。雖然這些原因具有很強(qiáng)的應(yīng)用針對性，但確實(shí)也包括了一些重要因素，例如：

實(shí)時處理需求

帶寬限制

延遲

安全要求

如果某個應(yīng)用存在這方面的問題，那么將神經(jīng)網(wǎng)絡(luò)從云端轉(zhuǎn)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(fù)責(zé)處理的內(nèi)容做到心里有數(shù)，以便應(yīng)用能夠盡可能高效地執(zhí)行。

選擇用于機(jī)器學(xué)習(xí)的處理器

在嵌入式處理器上運(yùn)行機(jī)器學(xué)習(xí)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(diǎn)運(yùn)算單元 (FPU) 非常有用。其次，需要具備可以在處理器上運(yùn)行的機(jī)器學(xué)習(xí)庫。學(xué)習(xí)庫需要包括卷積、池化和激活。如果沒有這些學(xué)習(xí)庫，開發(fā)人員基本上需要從頭開始編寫深度學(xué)習(xí)算法，不但費(fèi)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(luò)執(zhí)行以及分配給處理器的任何其他任務(wù)。

Arm Cortex-M 處理器現(xiàn)在配有 CMSIS-NN 擴(kuò)展，這是一個神經(jīng)網(wǎng)絡(luò)庫，其設(shè)計(jì)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(yùn)行機(jī)器學(xué)習(xí)，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(yīng)用，因此詳細(xì)了解幾款不同的開發(fā)板及其最適合的應(yīng)用非常重要。

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

圖 2：SparkFun 的 OpenMV 開發(fā)板是一個機(jī)器視覺平臺，該平臺使用 Arm CMSIS-NN 框架在 Cortex-M 上高效運(yùn)行機(jī)器學(xué)習(xí)算法。（圖片來源：SparkFun Electronics）

OpenMV 模塊可用于：

通過幀差分檢測運(yùn)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(yùn)行機(jī)器學(xué)習(xí)網(wǎng)絡(luò)。

其次介紹STM32F746ZGNucleo 開發(fā)板，STMicroelectronics 公司基于 Arm Cortex-M7 的STM32F746處理器使用的就是這款開發(fā)板，運(yùn)行頻率為 216 MHz（圖 3）。與 OpenMV 模塊上的處理器相比，這款開發(fā)板上使用的處理器具有較少的內(nèi)存和閃存，分別為 320 KB 和 1 MB。Arm 在許多機(jī)器學(xué)習(xí)白皮書中都使用了這款處理器，這些白皮書涵蓋了諸如關(guān)鍵字識別之類的主題。

圖 3：STM32F746ZG Nucleo 開發(fā)板是一款低成本開發(fā)板，適用于那些剛開始使用機(jī)器學(xué)習(xí)，不需要附加各種“花哨”功能的開發(fā)人員。（圖片來源：STMicroelectronics）

這款開發(fā)板更大程度上提供的是一種開放平臺，適用于原型開發(fā)以及使用大量 I/O 和外設(shè)的系統(tǒng)。它包括一個以太網(wǎng)端口、USB OTG、三個 LED、兩個用戶和重置按鈕以及用于 ST Zio（包括ArduinoUno V3）和 ST Morpho 的擴(kuò)展板連接器。

最后介紹NXP Semiconductors公司的IMXRT1050-EVKB開發(fā)板，該公司的i.MX RT 1050處理器使用的就是這款開發(fā)板，運(yùn)行頻率高達(dá) 600 MHz（圖 4）。該處理器仍然基于 Cortex-M7 架構(gòu)，但卻擁有很強(qiáng)的機(jī)器學(xué)習(xí)算法執(zhí)行能力。因此，這是一個很棒的通用平臺，開發(fā)人員可以使用它來試驗(yàn)和調(diào)整他們對機(jī)器學(xué)習(xí)的理解。該處理器內(nèi)含 512 kB 緊耦合內(nèi)存 (TCM)，并且能夠使用外部 NOR、NAND 或 eMMC 閃存。

圖 4：NXP 的 i.MX RT1050 基于 Arm Cortex-M7 架構(gòu)，但同時還融合了 NXP 的 Cortex-A i.MX 系列處理器的最佳功能。RT1050 是一款高端處理器，能夠提供出色的機(jī)器學(xué)習(xí)體驗(yàn)。（圖片來源：NXP Semiconductors）

了解 CMSIS-NN 的作用

即使機(jī)器學(xué)習(xí)從云端轉(zhuǎn)移到網(wǎng)絡(luò)邊緣，在微控制器上運(yùn)行機(jī)器學(xué)習(xí)框架也不切實(shí)際，認(rèn)識到這一點(diǎn)非常重要。微控制器可以運(yùn)行框架的輸出，即經(jīng)過訓(xùn)練的網(wǎng)絡(luò)，但僅此而已。Arm-NN 能夠?qū)⒃诟叨藱C(jī)器上運(yùn)行的經(jīng)過訓(xùn)練的模型轉(zhuǎn)換為可在微控制器上運(yùn)行的低級代碼。為 Arm-NN 提供 API 的低級庫即是 CMSIS-NN。

如前所述，CMSIS-NN 包含用于常見機(jī)器學(xué)習(xí)活動的 API 和庫函數(shù)，例如：

卷積

池化

激活

圖 5：Arm-NN 利用 CMSIS-NN 庫將高端機(jī)器上執(zhí)行的經(jīng)過訓(xùn)練的模型轉(zhuǎn)換為可在 Cortex-M 處理器上運(yùn)行的低級代碼。（圖片來源：Arm）

使用邊緣機(jī)器學(xué)習(xí)的技巧和竅門

有很多技術(shù)可以幫助改進(jìn)邊緣機(jī)器學(xué)習(xí)。以下是一些技巧和竅門，可以幫助那些有興趣架設(shè)和運(yùn)行自己的機(jī)器學(xué)習(xí)系統(tǒng)的開發(fā)人員：

如果不考慮延遲，可以使用邊緣收集數(shù)據(jù)，并使用云端通過機(jī)器學(xué)習(xí)網(wǎng)絡(luò)來處理數(shù)據(jù)

將機(jī)器學(xué)習(xí)分流到云端時，除非您計(jì)劃未來將機(jī)器學(xué)習(xí)轉(zhuǎn)移到邊緣設(shè)備，否則請不要過度選擇邊緣設(shè)備所需的處理能力

當(dāng)實(shí)時性能至關(guān)重要時，請使用高性能的 Arm Cortex-M7 處理器來執(zhí)行邊緣機(jī)器學(xué)習(xí)網(wǎng)絡(luò)

閱讀 Ian Goodfellow、Yoshua Bengio、Aaron Courville 和 Francis Bach 編寫的《深度學(xué)習(xí)》，了解機(jī)器學(xué)習(xí)背后的理論和數(shù)學(xué)知識

從云端或 PC 開始，然后按照自己的方式達(dá)成嵌入式目標(biāo)

創(chuàng)建一個可以識別手寫數(shù)字的“Hello World”應(yīng)用程序

查看關(guān)于關(guān)鍵字識別和語音識別的 Arm 論文

購買開發(fā)套件并復(fù)制一個示例

結(jié)論

智能正在迅速從云端向邊緣轉(zhuǎn)移。從將機(jī)器學(xué)習(xí)完全分流到云端，到在邊緣上運(yùn)行經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)算法，目前有三種不同的方法可供開發(fā)人員選擇。運(yùn)行邊緣機(jī)器學(xué)習(xí)需要具有高性能和 DSP 功能的微控制器。Arm Cortex-M7 處理器非常適合架設(shè)和運(yùn)行邊緣機(jī)器學(xué)習(xí)。