最近，隨著機器學習（ML, Machine Learning）的進步出現了分歧，分為兩個規模：一個是傳統的大型ML（云ML），模型越來越大，以實現準確性方面的最佳性能；另外一個是新興的微型機器學習（TinyML）領域，其中模型被縮小以適應受限設備以超低功耗執行。由于TinyML是一個新興領域，本篇文章將討論在開發TinyML和當前行業標準納入TinyML設備基準測試的系統時要考慮的各種參數。

系統指標要求根據正在開發的用例會有很大差異。我們來看下四個指標：準確性、功耗、延遲和內存要求。

準確性

在過去十年中，準確性一直被用作衡量機器學習模型性能的主要指標，較大的模型往往優于較小的。在TinyML系統中，準確性也是一個關鍵指標，但與云ML相比，與其他指標的平衡更為必要。

功耗

由于TinyML系統預計將長時間使用電池運行，因此考慮TinyML模型的功耗（通常為mW量級）至關重要。TinyML模型的功耗將取決于可用的硬件指令集，例如，由于采用了氦氣指令集，ARM Cortex-M85比ARM Cortex-M7更節能。此外，功耗還取決于用于運行模型的底層軟件，即推理引擎。例如，與參考內核相比，使用CMSIS-NN庫可顯著提高性能。

延遲

TinyML系統在端點運行并且不需要云連接，因此，此類系統的推理速度明顯優于基于云的系統。在某些用例中，擁有超高的推理速度對于生產就緒至關重要（ms為單位）。與功耗指標類似，延遲取決于底層硬件和軟件。

內存

內存是TinyML的一大障礙，它擠壓了ML模型以適應資源受限的MCU（內存小于1MB的MCU更常見）。所以，降低內存需求一直是一個挑戰。在模型開發過程中，會使用許多技術，例如：剪枝和量化。此外，底層軟件發揮著重要作用，因為更好的推理引擎可以更有效地優化模型（更好的內存管理和用于執行層的庫）。

由于這四個參數是相關的（往往是準確性和內存之間的負相關，但內存、延遲和功耗之間存在正相關），改進一個參數可能會影響其他參數。在開發TinyML系統時，仔細考慮這些因素很重要。一般的經驗法則是根據用例定義所需的必要模型準確性，將各種開發的模型與其他三個指標進行比較。如下圖所示，給定已訓練的各種模型的虛擬示例。

不同標記形狀表示具有不同超參數的模型架構（超參數，是指機器學習算法中的調優參數，需要人為設定）。這些超參數往往會隨著架構大小的增加而提高準確性，但卻犧牲了其他3個指標。根據系統定義的用例，顯示一個典型的相關區域，由此，只有一個模型具有90%的精度，如果需要更高的精度，則應重新考慮整個系統以適應其他指標的增加。

在此，提一下“基準測試”（benchmark），它是設置可重復標準以比較不同技術、架構、軟件等的必要工具。在AI/ML中，準確性是衡量不同模型的關鍵指標。在嵌入式系統中，常見的基準測試包括CoreMark和EEMBC的ULPMark用以測量性能和功耗。就TinyML而言，MLCommons作為行業標準越來越受到關注，它可以評估前面討論的四個指標，并且由于TinyML系統的異構性，為了確保公平性，使用了4個具有4個不同AI模型的AI用例，并且必須達到一定水平的準確性才能獲得基準測試資格。

作為端點AI領域的行業領導者，瑞薩計劃將率先支持Cortex-M85內核的MCU推向市場，TinyML系統將進一步開發各種用例，讓我們的生活更輕松。