在本文中，我們將分析采用資源受限低功耗微控制器實施機器學習的概念，這種概念或者統稱為 TinyML。機器學習不斷深入到我們日常生活的許多方面，無論是在家庭，還是辦公室，還是在兩者之間。雖然許多機器學習應用需要強大的計算能力來處理復雜的科學或金融數據，但那些為物聯網 （IoT） 和其他基于網咯邊緣應用而設計的機器學習只需要少量的計算和連接能力。

已經深入我們生活的人工智能和機器學習

不久前，與我們的手表或星際迷航通訊器（Star Trek Communicator）交談只是科幻小說作家的幻想，但今天我們中的許多人卻可以經常這樣做。我們能夠與智能手機的App交流，同樣能夠與我們汽車的信息娛樂系統以及我們家中的“智能揚聲器”互動。

人工智能 （AI） 是一門創造能夠思考、感知、識別和解決問題計算機的科學，而且已成為當今計算機和數據科學領域的基礎。機器學習 （ML） 是 AI 的一個應用領域，專注于通過算法使計算機能夠學習和改進如何執行任務，而無需明確編程來完成這些。

今天，我們周圍的大部分世界已經被機器學習所塑造，從天氣預報以及日常通勤尋找最佳路線，到大家最喜歡的社交媒體App上的促銷廣告，許多科學研究領域都依賴機器學習來處理 PB 級的數據以找出大的趨勢。

機器學習如何工作

在上面討論的機器學習示例中，我們通常只會見到結果。通常情況下，我們看不到尋找新黑洞的復雜過程，或用于確定今天天氣預測的過去天氣事件排列數量。許多復雜的任務涉及大型數據集合、多個候選算法和強大的計算能力。深入研究機器學習，您會發現不同類別的學習，每一種都適合特定的任務。我們將不會在這里深入介紹這些，但它們可分為監督學習、無監督學習、半監督學習的和強化學習。

神經網絡是所有機器學習應用的關鍵組成部分。一般來說，神經網絡的目標是在數學模型中復制人腦中神經元的功能，該模型使用特定算法來推斷結果的概率。例如，在圖像識別任務中，圖片是狗的概率為 95%。業內有不同類型的神經網絡，您會遇到諸如卷積神經網絡 （CNN） 和循環神經網絡 （RNN） 等術語，每種神經網絡都有一組不同的互連層，使其更適合特定任務。

監督學習涉及向神經網絡教授大量訓練數據，以便能夠通過算法推斷出結果。例如，對于圖像識別任務，CNN 是最好的。要識別不同類型的水果，需要向神經網絡算法“輸入”數千張從不同角度拍攝，并具有不同成熟度的不同水果標記圖像。然后，該算法會尋找可識別的特征，以幫助它分辨出一種水果和另一種水果的差異。訓練階段為迭代式，并且可能涉及調整算法以便在遇到圖像測試數據集時實現最高概率。

圖 1：訓練和推理步驟。（來源：貿澤電子）

一旦測試數據達到最佳的神經網絡算法性能，模型就可以部署。在部署中，也稱為推理，模型會基于概率推斷結果。

例如，我們與智能揚聲器的日常互動通常涉及一個觸發詞或短語，例如“嘿，谷歌”來喚醒它，以便它開始收聽接下來會發生什么。智能揚聲器不具備數據中心的計算能力，因此只會記錄簡短的音頻文件并將其傳輸到云端進行推理，以確定我們請求的性質。檢測觸發詞或短語是簡單機器學習的一個很好例子；歡迎來到 TinyML！

機器學習和工業物聯網

鑒于機器學習已經變得無處不在，其潛在應用也呈現出指數級增長。例如，許多工業應用并不關注“大數據”應用，而目標是如何提高生產線的效率。生產過程中意外故障造成的成本損失可能很高，例如，冷凍食品混合過程中的馬達故障可能會引發生產停止，從而導致原材料損失。許多機構現在采用預測性維護制度來安排有計劃的停機時間，以防止此類故障發生。對馬達和執行器等生產設施可進行基于狀態的監控，這樣有助于預測馬達軸承何時開始出現過度磨損。工業物聯網邊緣傳感器設備采用機器學習算法可以識別馬達的振動特征，并可判斷何時偏離標準，以提供足夠早的警告。

僅僅在工業領域內考慮，機器學習的應用機會也非常巨大，但隨之而來的則是一些技術挑戰。與“大數據”應用不同，簡單工業物聯網邊緣傳感器的計算和內存資源只是數據中心可用資源的一小部分。一家工廠可能有數百個傳感器，因此規模經濟是一個因素，物理尺寸、合適可用的電源以及有線或無線連接也是需要考慮的因素。然而，在大多數情況下，振動傳感器中涉及的神經網絡算法要求遠低于深太空研究，因此嵌入式開發人員正在探索在電池供電的低功耗微控制器上運行網絡模型的方法。

用于網路邊緣機器學習的TinyML

用于訓練神經網絡模型的計算平臺不需要與部署相同，消除了資源最密集的過程之一。然而，技術挑戰仍然存在。算法能否及時運行？設備將如何與主機系統通信以通知操作人員？嵌入式開發人員也面臨挑戰。大多數人不是數據科學家，因此學習機器學習的概念和使用神經網絡呈現出較大的學習難度。

傳統上看，選擇合適的神經網絡模型、訓練模型并對其進行調整以進行部署的過程非常復雜。然而，已經有越來越多的機器學習庫、框架和工具，這些可以極大地簡化在微控制器上開發和部署神經網絡。無論您希望實現何種基于網路邊緣的應用，隨著專門為 TinyML 應用設計的 AI/ML 資源數量不斷增加，您隨時可以得到所需的支持和幫助，而且您可能會發現貿澤電子的一些機器學習項目示例很有幫助。 AI/ML 正在成為工業數字化轉型的重要組成部分，尤其在基于邊緣的工業應用中不斷發展并越來越受歡迎