機器學習正在從云端轉(zhuǎn)移到網(wǎng)絡邊緣，目的是進行實時處理、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)點上的物聯(lián)網(wǎng) (IoT) 設備只有有限的資源，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)使用機器學習，為開發(fā)人員提供了幾項新機會，可以徹底改變他們設計系統(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。學習完本文后，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)。

邊緣機器學習的作用

邊緣機器學習對嵌入式系統(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，但如果使用機器學習，那么幾乎就像用 C 語言編寫“Hello World”應用程序一樣簡單。

其次，智能系統(tǒng)可以很輕松地針對新數(shù)據(jù)和情況進行擴展。例如，如果某個系統(tǒng)接受了識別基本文本的訓練，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，只需提供額外的訓練圖像，使該網(wǎng)絡也能學習識別新字體便可。

最后，我們還可以了解到，邊緣機器學習可以幫助開發(fā)人員降低某些應用類型的成本，例如：

圖像識別

語音和音頻處理

語言處理

機器人

第一次檢查邊緣機器學習時，使用應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算機視覺而設計，我們可以從使用這些工具開始。不過，許多應用中僅使用應用處理器可能還不夠，因為這些處理器不具備確定性的實時行為。

邊緣機器學習架構(gòu)

使用邊緣機器學習時，有三種典型方法：

邊緣節(jié)點獲取數(shù)據(jù)，然后在云端完成機器學習

邊緣節(jié)點獲取數(shù)據(jù)，然后在芯片上完成機器學習

邊緣節(jié)點獲取數(shù)據(jù)，然后在邊緣進行第一遍機器學習，最后在云端進行更深入的分析

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，我們將會重點關(guān)注這兩個解決方案。

使用邊緣設備獲取數(shù)據(jù)并使用基于云的機器學習系統(tǒng)來處理數(shù)據(jù)，這樣的架構(gòu)有幾個優(yōu)點。首先，邊緣設備不需要運行機器學習算法所需的強大處理能力和資源。其次，邊緣設備可以繼續(xù)使用資源受限的低成本設備，就像許多嵌入式系統(tǒng)開發(fā)人員習慣創(chuàng)建的系統(tǒng)一樣。唯一的區(qū)別是，邊緣設備需要能夠通過 HTTPS 連接到基于云的服務提供商，以便分析它們的數(shù)據(jù)。第三，基于云的機器學習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器學習開始的開發(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，輕松連接到任何機器學習云提供商，如 Amazon Web Services (AWS)、Microsoft Azure 和 Google Cloud。

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

在云端進行機器學習對于開發(fā)團隊來說可能意義非常重大，但有幾個原因可以解釋為什么機器學習開始從云端轉(zhuǎn)向邊緣。雖然這些原因具有很強的應用針對性，但確實也包括了一些重要因素，例如：

實時處理需求

帶寬限制

延遲

安全要求

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

選擇用于機器學習的處理器

在嵌入式處理器上運行機器學習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，因此浮點運算單元 (FPU) 非常有用。其次，需要具備可以在處理器上運行的機器學習庫。學習庫需要包括卷積、池化和激活。如果沒有這些學習庫，開發(fā)人員基本上需要從頭開始編寫深度學習算法，不但費時，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)絡執(zhí)行以及分配給處理器的任何其他任務。

Arm Cortex-M 處理器現(xiàn)在配有 CMSIS-NN 擴展，這是一個神經(jīng)網(wǎng)絡庫，其設計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行機器學習，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用，因此詳細了解幾款不同的開發(fā)板及其最適合的應用非常重要。

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

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

OpenMV 模塊可用于：

通過幀差分檢測運動

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行機器學習網(wǎng)絡。

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 在許多機器學習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器學習，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，運行頻率高達 600 MHz（圖 4）。該處理器仍然基于 Cortex-M7 架構(gòu)，但卻擁有很強的機器學習算法執(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和調(diào)整他們對機器學習的理解。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，能夠提供出色的機器學習體驗。（圖片來源：NXP Semiconductors）

了解 CMSIS-NN 的作用

即使機器學習從云端轉(zhuǎn)移到網(wǎng)絡邊緣，在微控制器上運行機器學習框架也不切實際，認識到這一點非常重要。微控制器可以運行框架的輸出，即經(jīng)過訓練的網(wǎng)絡，但僅此而已。Arm-NN 能夠?qū)⒃诟叨藱C器上運行的經(jīng)過訓練的模型轉(zhuǎn)換為可在微控制器上運行的低級代碼。為 Arm-NN 提供 API 的低級庫即是 CMSIS-NN。

如前所述，CMSIS-NN 包含用于常見機器學習活動的 API 和庫函數(shù)，例如：

卷積

池化

激活

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

使用邊緣機器學習的技巧和竅門

有很多技術(shù)可以幫助改進邊緣機器學習。以下是一些技巧和竅門，可以幫助那些有興趣架設和運行自己的機器學習系統(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)，并使用云端通過機器學習網(wǎng)絡來處理數(shù)據(jù)

將機器學習分流到云端時，除非您計劃未來將機器學習轉(zhuǎn)移到邊緣設備，否則請不要過度選擇邊緣設備所需的處理能力

當實時性能至關(guān)重要時，請使用高性能的 Arm Cortex-M7 處理器來執(zhí)行邊緣機器學習網(wǎng)絡

閱讀 Ian Goodfellow、Yoshua Bengio、Aaron Courville 和 Francis Bach 編寫的《深度學習》，了解機器學習背后的理論和數(shù)學知識

從云端或 PC 開始，然后按照自己的方式達成嵌入式目標

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

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。從將機器學習完全分流到云端，到在邊緣上運行經(jīng)過訓練的機器學習算法，目前有三種不同的方法可供開發(fā)人員選擇。運行邊緣機器學習需要具有高性能和 DSP 功能的微控制器。Arm Cortex-M7 處理器非常適合架設和運行邊緣機器學習。