springboot 实现机器学习_在边缘实现机器学习都需要什么？

说到机器学习，在计算方面，大多数边缘应用程序只执行推理，然而，随着 联邦学习(Federated Learning)等新兴技术的出现，这种情况在未来可能会发生变化。

但就目前而言，在小型微控制器和其他边缘设备上运行机器学习模型已经成为可能，这将带来各种各样有趣的应用。

边缘设备的定义在不同的应用中会有很大的差异，它包括从智能手机到自动驾驶汽车，以及介于两者之间的各种设备。目前，数量最多的边缘设备(也可以连接到网络)，很有可能就是智能手机。越来越多的其他设备配备了小型 MCU(microcontroller，微控制器)，它们不连接任何网络，用于家庭花园的智能喷水灭火系统等应用。

各种边缘设备

具体来说，全球智能手机的总数量已达数十亿部。连接的智能设备数量在不断增加，从智能恒温器到门铃，再到送货机器人。这些设备大多靠电池运行(也有像智能助理这样的例外)，并连接到 wifi、蓝牙和 / 或移动网络。

在这些设备上进行机器学习时，通常会将设备传感器的数据发送回云端进行推理，该过程具有以下特点：

• 消耗更多的能量(通过有线或无线网络移动数据会消耗能量)。
• 导致应用程序受到较高延迟的影响。
• 由于数据传输和云计算的成本，导致费用更高。
• 需要额外的工作来处理数据隐私和安全问题。

这些高层次的优势使得机器学习模型嵌入到设备上变得至关重要，不过，这也带来了更多的数据隐私和安全问题。

说到机器学习，在计算方面，大多数边缘应用程序只执行推理，然而，随着连邦学习(Federated Learning)等新兴技术的出现，这种情况在未来可能会发生变化。

但就目前而言，在小型微控制器和其他边缘设备上运行机器学习模型已经成为可能，这将带来各种各样有趣的应用。请继续阅读本文，了解如何开始为边缘设备开发机器学习应用程序。

边缘架构

由于边缘产品的类型不同，它们的架构也不尽相同。目前使用的不同架构可以分为 5~6 类，如下图所示：

边缘应用架构

基于 ARM Cortex-A 架构的处理器赋能了今天几乎所有的智能手机，而基于 Cortex-M 的微控制器则用于键盘、智能手表、安全摄像头以及我们周围的大量其他产品。

基于 x86 的笔记本计算机、上网本等也有数以百万计的人使用，它们还用于 ATM 和各种其他产品。一些智能手机还搭载了高通(Qualcomm)和华为等公司开