機器學習正在從云端轉移到網絡邊緣，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。而處于這些邊緣節點上的物聯網 (IoT) 設備只有有限的資源，因此開發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使用機器學習，為開發人員提供了幾項新機會，可以徹底改變他們設計系統的方式。開發人員可以使用幾種不同的架構和技術將智能添加到邊緣節點。學習完本文后，我們將更加熟悉這些架構以及一些可用于加快該過程的技術。

邊緣機器學習的作用

邊緣機器學習對嵌入式系統工程師非常有用，原因有很多。首先，智能系統可以解決開發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，智能系統可以很輕松地針對新數據和情況進行擴展。例如，如果某個系統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

使用邊緣機器學習時，有三種典型方法：

邊緣節點獲取數據，然后在云端完成機器學習

邊緣節點獲取數據，然后在芯片上完成機器學習

邊緣節點獲取數據，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界探索最多的解決方案，在本文中，我們將會重點關注這兩個解決方案。

使用邊緣設備獲取數據并使用基于云的機器學習系統來處理數據，這樣的架構有幾個優點。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，邊緣設備可以繼續使用資源受限的低成本設備，就像許多嵌入式系統開發人員習慣創建的系統一樣。唯一的區別是，邊緣設備需要能夠通過 HTTPS 連接到基于云的服務提供商，以便分析它們的數據。第三，基于云的機器學習正在以驚人的速度發展，將這些功能轉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人員來說，他們可以使用 STMicroelectronics 公司的 STM32F779I-EVAL 板（圖 1）這類開發板。該開發板基于 STMicroelectronics 公司的 STM32F769NIH6 微控制器，配備了 Arm? Cortex?-M7 內核、板載攝像頭、用于與云進行高速通信的以太網端口，以及板載顯示器。該開發板可與諸如 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。

在云端進行機器學習對于開發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，那么將神經網絡從云端轉移到邊緣是可以行得通的。這種情況下，開發人員必須對他們希望嵌入式處理器負責處理的內容做到心里有數，以便應用能夠盡可能高效地執行。

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，以便可以完成神經網絡執行以及分配給處理器的任何其他任務。

Arm Cortex-M 處理器現在配有 CMSIS-NN 擴展，這是一個神經網絡庫，其設計目的是在資源受限的環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。

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絡。