《ARM嵌入式机器学习设计》连载1

最新推荐文章于 2024-04-26 09:48:44 发布

501007162021

最新推荐文章于 2024-04-26 09:48:44 发布

阅读量974

点赞数

分类专栏：边缘智能AIoT 文章标签： AI ML 边缘计算机器学习深度学习

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/jiasike/article/details/88937052

版权

边缘智能AIoT 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

本文翻译自《ARM Embedded Machine Learning Design》一书。本书共有5章，小编会分别翻译，并在公众号连载，喜欢的同学请关注小编，以免错过精彩内容哦！嵌入式软件杂货铺专注于边缘计算。

第一章：为什么需要将机器学习迁移到边缘设备？

机器学习(ML)是新计算时代以来计算机领域最伟大的转折点——它已经对几乎所有市场产生了重大影响。它领导了互联汽车技术的巨大进步，改变了医疗保健的面貌，并影响了城市基础设施的控制方式。它也影响了一些在互联网时代几乎被忽略的领域，比如农场，在农场中将机器学习技术应用于智能灌溉系统和精确病虫害防治系统，使得农作物大幅增产。

1.1 掌握机器学习（ML）的基本知识

在非专业领域，人工智能（AI）和机器学习（ML）这两者的关系常常被混为一谈。但是在数据科学领域，它们有着各自清晰的定义。本书将使用如下定义：

人工智能（AI）是一个统称，它指的是能够仿生人类智慧的硬件或者软件。机器学习（ML），计算机视觉和自然语言处理都可以被称之为人工智能。

机器学习（ML）是人工智能（AI）的子集，如图1-1所示。不同于传统的依靠规则的编程方式，其运行时行为是固定的，机器学习利用统计学技术，通过训练使程序具有自学习的能力。

机器学习系统一步一步的处理训练数据，并且会依据上一步的处理经验，不断的优化程序的性能，从而使程序输出最优的结果。数据训练的过程通常都在云端执行，因为数据训练要求设备具有很高的计算能力，而这些用于训练的数据通常都来自于边缘设备，比如物联网设备或者边缘服务器。

图1-1：机器学习是人工智能的子集

一旦机器学习系统被训练完成，它就可以依据经验自动分析新的数据，这被称之为推演。

机器学习在通常在以下两个地方执行：

云端：机器学习系统的训练通常在电源充足和计算性能强劲的远程服务器中进行。

边缘：机器学习系统的推演过程通常在本地完成。边缘指的是物联网设备，边缘服务器，或者边缘设备。

1.2 差异化和降低成本

机器学习的第一波浪潮是在云计算，然而戏剧性的是随着计算模型的不断优化和边缘设备的计算能力的不断提升，极大促进了边缘计算的发展，并且呈现出了显著的优势，边缘计算或许将成为机器学习最有前景的领域。

**减小延时；增加可靠性和安全性：**反应迟钝的的应用或者加载缓慢的页面会使用户感到厌烦，但这并不是致命的，还有许多实时性要求极高的应用，比如汽车控制系统的响应延时将会造成严重的安全影响，并且严重的影响汽车的性能，所以这类应用不能依赖于云端的决策。

**功耗和成本：**数据在设备和云端之间传送将会增减能量的消耗。因为机器学习是数据密集型的应用，所以基于云或者网络的机器学习也会大大增加网络带宽。通过尽可能的将机器学习应用部署到边缘设备，将会大大减轻网络和云计算基础设施建设的负担。

**隐私和安全：**消费者和企业越来越多的人开始意识到数据的安全性。没有人希望自己的隐私被侵犯，但是当数据不断地移动到云端又移动到本地，其风险在所难免。当处理在设备上完成时，将使风险最小化。

**个性化：**除了隐私和安全，在本地设备上执行机器学习应用将带来更个性化的计算体验。随着越来越的设备变得“智能”，它们需要根据环境的上下文去学习适应，并作出即时响应。当这些设备将用户与他们关心的东西连接起来
人工智能将变得触手可及且个性化。为每一个用户去维护独特的定制模型在云端是一项重大且持续开销，但是边缘设备可以运行自己定制的模型，这将是边缘计算的另一个竞争优势。

综上所述，机器学习在边缘计算领域将提供一个更加可靠，响应速度更快，更加安全的用户体验，并且将大大降低成本，私人数据的安全风险和功耗。