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）和华为等公司开发的定制机器学习加速器。

在功耗方面，不同的产品可以分为三类，从超低功耗的 Cortex-M 系列微控制器，到 NVIDIA、Mobileye 和德州仪器（Texas Instruments）的高性能自主汽车专用系统。

按功耗大致分组

ARM 公司最近推出了带有 NPU（Neural Processing Unit，神经处理单元）的 Ethos-N 系列处理器，该处理器与 Cortex-M 处理器相结合，可用于各种低功耗应用。NDP101 是一款低功耗 SoC 芯片，用于语音应用中的关键词分类。

模型动物园与模型

由于边缘设备的算力和内存有限，因此，边缘机器学习模型的关键属性是：

给定模型的优化过程会因应用程序而异：在某些应用程序中，如自动驾驶汽车，对准确率要求最高，但可能不会执行量化等模型压缩技术。

框架选择的流程图

针对特定平台进行优化的预训练模型可以显著提升推理速度，也可以用于迁移学习来训练特定应用的模型。它们还提供了一个很好的基准来比较自定义模型，并且还可以帮助开发团队更快地达到 MVP。TensorFlow 和 PyTorch 是两个最流行的机器学习框架，它们可以在树莓派（Raspberry Pi）和 NVIDIA Jetson 等任何 Linux 兼容板上运行。下面是一些专门针对边缘模型的模型动物园和库。

云平台

AWS IoT：包括 Amazon FreeRTOS、AWS IoT Core 以及其他各种服务，用于管理和开发边缘应用。

硬件

传感器

在边缘应用中，传感器是关键，因为它们帮助我们收集和测量不同类型的环境信息，如温度、声音、图像、运动、湿度等。下面是一些有趣的传感器：

ST LSM6DSOX Inertial Sensor：这是一个带有三轴加速度计和三轴陀螺仪的惯性传感器。它还有一个机器学习核心，有 8 个独立的决策树，可以用来对运动模式进行分类。
Sensor Tag、Sensor Tile 和 Sensor Puck 是带有 BLE（Bluetooth low energy，低功耗蓝牙）和湿度、温度、环境光等多种环境传感器的开发套件。

边缘开发套件

有几家公司（这里列出了一长串这类公司的名单）正在研究深度学习加速器，用于深度神经网络的训练/推理；然而，目前可供开发人员开始开发的产品还很少。下面是一些现在可以购买的开发板列表，用于开发边缘人工智能应用：

低功耗板

Sparkfun Edge 和 Lattice iCE40 开发板

搭载 Ambiq Apollo3 微控制器的 SparkFun Edge 开发板——由 Ambiq Micro 开发的 Apollo 3 是最高效、低功耗的 32 位 Cortex-M4F 微控制器之一。这里有一些例子，如唤醒词检测、打造一个魔法棒！费用：14.95 美元。
Lattice iCE40 UltraPlus FPGA Platform：是基于 FPGA 的开发工具包，可用于运行小型 CNN（4~8 层），用于关键词检测、人脸检测等应用。这里提供了带有各种传感器（麦克风、惯性传感器等）的开发工具包。费用：99 美元。

中功耗板

Coral Edge TPU 开发板和 NVIDIA Jetson Nano 开发板

Google Edge TPU：Google 前不久宣布的 Edge TPU，现已可购。这是 Coral 平台的一部分。开发板还包含一个来自 NXP 的 Cortex-A53 SoC，可以独立使用，并且有摄像头的连接器等。它可以使用 TensorFlow Lite 进行编程。Google 提供了一些性能数据，见这里。开发板（如上图）可以在这里购买。费用：149.9 美元。
NVIDIA Jetson Nano：这是 NVIDIA 在 GTC 2019 上发布的 Edge AI 最新深度学习开发板。Jetson Nano 的主要优势之一是它包含了四核 ARM CPU，可以运行 Linux 系统，而 Intel 神经计算棒和 Edge TPU 加速棒需要单独的板子，比如树莓派等。它可以使用 TensorFlow、PyTorch 进行编程。费用：99 美元。

有关 Coral Edge TPU 开发板和 NVIDIA Jetson Nano 的更详细比较，请查看这篇博文：《Google Coral Edge TPU 开发板与 NVIDIA Jetson Nano 开发板的硬件比较》（Google Coral Edge TPU Board Vs NVIDIA Jetson Nano Dev board — Hardware Comparison）。

Intel Neural Compute Stick 2（Intel 神经计算棒 2）：这款 USB 外观的开发板采用了 Intel Myriad X 视觉处理单元（Vision processing unit，VPU）。在 Myriad X 之前，Intel/Movidius 已经推出了 Myriad2，为第一代 Intel 神经计算棒提供动力。要进行编程，必须使用 IntelOpenVino 工具包。可在这里购买。费用：99 美元。

Intel 神经计算棒

Coral USB

Coral USB Accelerator：这包含了 USB 外形尺寸类似于 NCS 2 的 Google Edge TPU，它可以与树莓派或任何笔记本计算机一起使用。费用：74.99 美元。
Sipeed MAix M1 (RISC-V + Kendryte 120)：这款用于树莓派的 Grove Hat，目前仅售 24.50 美元（预购结束后为 28.90 美元）。它拥有双核 600MHz RISC-V CPU 和 Kendryte K120 16 位神经网络处理器。费用：24.50 美元。

Raspberry Pi（RPi，树莓派）：树莓派采用四核 ARM Cortex-A7 系列处理器，可与 Edge TPU 加速棒结合，打造功能强大、易于使用的边缘人工智能平台。费用：35 美元。

AWS DeepLens：这是来自 AWS 的开发套件，面向计算机视觉应用的开发人员。它可以在 Intel Atom 处理器上运行推理，并可以轻松地与 AWS IoT 服务集成，将推理结果发送到云端。费用：199 美元。

结语

在边缘开发人工智能应用需要使用受限的资源（内存、计算等），并对费用、功耗和面积进行优化，所有这些都使其成为当今人工智能领域最具挑战性的问题之一。

随着互联设备的兴起，以及这些嵌入式设备上的应用开发软件的发展，我们将看到更多的边缘应用使用机器学习来解决医疗、节能和机器人等领域的新问题，这里仅举几个例子。

作者介绍：

Manu Suryavansh，机器学习工程师。

原文链接：

https://heartbeat.fritz.ai/machine-learning-at-the-edge-μml-2802f1af92de

创作场景

在边缘实现机器学习都需要什么？