а的天堂网最新版在线,91福利片

導(dǎo)讀

物聯(lián)網(wǎng)設(shè)備越來越多地采用人工智能技術(shù)來創(chuàng)建智能“物聯(lián)網(wǎng)”（AIoT），這使很多應(yīng)用從中受益。同時也為MCU（微控制器）開辟了新的市場，賦能越來越多的新應(yīng)用和新用例，以利用簡單的 MCU搭配AI加速來促進(jìn)智能控制。這些AI加持的MCU融合了DSP計算和機器學(xué)習(xí)（ML）推理能力，適合關(guān)鍵字識別、傳感器融合、振動分析和語音識別等多種應(yīng)用。更高性能的MCU還可以支持更復(fù)雜的視覺和成像應(yīng)用，例如人臉識別、指紋分析和自主機器人等。

本文圍繞AI技術(shù)、如何通過MCU實現(xiàn)AIoT以及邊緣AI等方面進(jìn)行了系統(tǒng)的分析。推薦給大家。

物聯(lián)網(wǎng)設(shè)備越來越多地采用人工智能技術(shù)來創(chuàng)建智能“物聯(lián)網(wǎng)”（AIoT），這使很多應(yīng)用從中受益。這些智能物聯(lián)網(wǎng)設(shè)備從數(shù)據(jù)中學(xué)習(xí)，并在無需人工干預(yù)的情況下做出自主決策，從而使產(chǎn)品與其環(huán)境之間實現(xiàn)更合乎邏輯、更接近人類的交互。

AI和物聯(lián)網(wǎng)的結(jié)合為MCU（微控制器）開辟了新的市場，賦能越來越多的新應(yīng)用和新用例，以利用簡單的 MCU搭配AI加速來促進(jìn)智能控制。這些AI加持的MCU融合了DSP計算和機器學(xué)習(xí)（ML）推理能力，適合關(guān)鍵字識別、傳感器融合、振動分析和語音識別等多種應(yīng)用。更高性能的MCU還可以支持更復(fù)雜的視覺和成像應(yīng)用，例如人臉識別、指紋分析和自主機器人等。

01 AI技術(shù)

以下是為物聯(lián)網(wǎng)設(shè)備帶來AI功能的部分使能技術(shù)：

機器學(xué)習(xí) (ML)：機器學(xué)習(xí)算法根據(jù)代表性數(shù)據(jù)構(gòu)建模型，使設(shè)備能夠在無需人工干預(yù)的情況下自動識別模式。ML供應(yīng)商提供算法、API 和工具以構(gòu)建訓(xùn)練模型，然后將模型植入到嵌入式系統(tǒng)中。輸入新的數(shù)據(jù)后，這些嵌入式系統(tǒng)就可以利用預(yù)先訓(xùn)練的模型進(jìn)行推理或預(yù)測，這類應(yīng)用示例包括傳感器融合、關(guān)鍵字識別、預(yù)測性維護(hù)和分類等。
深度學(xué)習(xí)（DL）：深度學(xué)習(xí)是機器學(xué)習(xí)的一種，它使用多層神經(jīng)網(wǎng)絡(luò)從復(fù)雜的輸入數(shù)據(jù)中逐步提取更高級別的特征和模式，從而訓(xùn)練系統(tǒng)。深度學(xué)習(xí)可以適應(yīng)非常龐大、多樣化和復(fù)雜的輸入數(shù)據(jù)，并讓系統(tǒng)不斷迭代學(xué)習(xí)，逐步改善輸出結(jié)果。其應(yīng)用示例包括圖像處理、客服機器人和人臉識別等。
自然語言處理 (NLP)：NLP是人工智能的一個分支，可以實現(xiàn)系統(tǒng)與人類之間用自然語言進(jìn)行交互。NLP幫助系統(tǒng)理解和解釋人類語言（文本或語音），并基于此做出決策。其應(yīng)用示例包括語音識別系統(tǒng)、機器翻譯和預(yù)測性打字等。
計算機視覺：機器/計算機視覺是人工智能的一個領(lǐng)域，它訓(xùn)練機器收集、解釋并理解圖像數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)采取行動。機器通過攝像頭收集數(shù)字圖像/視頻，使用深度學(xué)習(xí)模型和圖像分析工具準(zhǔn)確識別和分類對象，并根據(jù)它們所“看到”的采取相應(yīng)的行動。其應(yīng)用示例包括制造裝配線上的故障檢測、醫(yī)療診斷、零售店的人臉識別和無人駕駛汽車測試等。

02 通過MCU實現(xiàn)AIoT

過去，AI屬于MPU和GPU的應(yīng)用范疇，它們擁有強大的CPU內(nèi)核、大內(nèi)存資源和進(jìn)行AI分析的云連接。但近年來，隨著邊緣智能程度的不斷提高，我們開始看到MCU被用于嵌入式AIoT應(yīng)用中。向邊緣轉(zhuǎn)移是基于延遲和成本的考慮，同時還可以讓計算處理更接近數(shù)據(jù)源?；贛CU的物聯(lián)網(wǎng)設(shè)備具有AI功能可以實現(xiàn)實時決策和更快的事件響應(yīng)，而且還有更多其它優(yōu)勢，諸如更低的帶寬要求、更低的功耗、更低的延遲、更低的成本和更高的安全性。有了更高計算能力的新型MCU加持，再加上更適合資源受限MCU的神經(jīng)網(wǎng)絡(luò) (NN) 框架，AIoT得以實現(xiàn)。

神經(jīng)網(wǎng)絡(luò)是很多節(jié)點的集合，這些節(jié)點按層排列。每一層都接收來自前一層的輸入，并根據(jù)輸入的權(quán)重和偏置總和進(jìn)行計算，以生成輸出。輸出沿其所有傳出連接傳遞到下一層。在訓(xùn)練過程中，訓(xùn)練數(shù)據(jù)被饋入網(wǎng)絡(luò)的第一層或輸入層，每一層的輸出再傳遞到下一層。最后一層或輸出層生成模型的預(yù)測，將其與已知的預(yù)期值進(jìn)行比較從而評估模型的誤差。訓(xùn)練的過程需要在每次迭代中使用稱為“反向傳播”的過程完善步驟，或調(diào)整網(wǎng)絡(luò)每一層的權(quán)重和偏置，直到網(wǎng)絡(luò)輸出與預(yù)期值密切相關(guān)。換句話說，網(wǎng)絡(luò)從輸入數(shù)據(jù)集中迭代“學(xué)習(xí)”，并逐步提高輸出預(yù)測的準(zhǔn)確性。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要極高的計算性能和內(nèi)存，通常在云端進(jìn)行。訓(xùn)練之后，這個預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)（NN）模型被嵌入到MCU中，即可作為推理引擎對新傳入數(shù)據(jù)進(jìn)行處理。

圖1: 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與推理

這種推理生成所需要的計算性能比訓(xùn)練模型要低很多，在MCU上即可實現(xiàn)。這種預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型權(quán)重是固定的，可以保存在閃存中，從而減少所需的SRAM數(shù)量，使其適用于更多資源受限的MCU。

03 如何在MCU上實現(xiàn)AIoT

MCU上的AIoT實現(xiàn)包含多個步驟。最常見的實現(xiàn)方法是使用現(xiàn)有的神經(jīng)網(wǎng)絡(luò) (NN) 框架模型之一，例如Caffe或Tensorflow Lite，它們適用于基于MCU的終端設(shè)備解決方案。用于機器學(xué)習(xí)的NN模型訓(xùn)練可由AI專業(yè)人員使用 AI供應(yīng)商提供的工具在云端完成。NN模型優(yōu)化和MCU集成可以使用AI供應(yīng)商和MCU制造商提供的工具進(jìn)行。推理則在MCU上采用預(yù)訓(xùn)練的NN模型完成。

上述過程的第一步可以完全離線完成，涉及從終端設(shè)備或應(yīng)用捕獲大量數(shù)據(jù)，并用于訓(xùn)練NN模型。模型的拓?fù)浣Y(jié)構(gòu)由AI開發(fā)人員定義，以充分利用現(xiàn)有數(shù)據(jù)并提供應(yīng)用要求的輸出。NN模型的訓(xùn)練是通過將數(shù)據(jù)集迭代傳遞給模型來完成的，目的是不斷最小化模型輸出的誤差。NN框架提供的工具可以幫助完成這個過程。

在第二步中，針對特定功能（如關(guān)鍵字識別或語音識別）進(jìn)行了優(yōu)化的預(yù)訓(xùn)練模型被轉(zhuǎn)換為適應(yīng)MCU的格式。在這個過程中，首先利用AI轉(zhuǎn)換器工具將模型轉(zhuǎn)換為flat buffer文件，也可以選擇通過量化器來轉(zhuǎn)換，以減小尺寸并針對MCU優(yōu)化。然后，將該flat buffer文件轉(zhuǎn)換為C代碼，并作為運行時可執(zhí)行文件傳輸給目標(biāo)MCU。

配備了預(yù)訓(xùn)練嵌入式AI模型的MCU現(xiàn)在就可以部署在終端設(shè)備中了。當(dāng)新數(shù)據(jù)導(dǎo)入時，它在模型中運行，并根據(jù)訓(xùn)練生成推理。當(dāng)新的數(shù)據(jù)類別出現(xiàn)時，NN模型可以被發(fā)送回云端重新進(jìn)行訓(xùn)練，然后可以通過OTA（空中更新）固件升級將重新訓(xùn)練后的新模型編入MCU。

構(gòu)建基于MCU的AI解決方案有兩種不同的方式。為便于討論，本文我們假設(shè)目標(biāo)MCU采用Arm Cortex-M內(nèi)核。

圖2：通過離線預(yù)訓(xùn)練模型在MCU上實現(xiàn)AI。

在第一種方法中，轉(zhuǎn)換后的NN模型在Cortex-M CPU內(nèi)核上執(zhí)行，并通過CMSIS-NN庫加速。這是一種簡單的配置，無需任何額外的硬件加速，適用于較簡單的AI應(yīng)用，例如關(guān)鍵字識別、振動分析和傳感器集合等。

另一種更復(fù)雜和更高性能的選擇則需要在MCU上配置NN加速器或微神經(jīng)處理單元(u-NPU)硬件。這些u-NPU 可在資源受限的IoT終端設(shè)備中加速機器學(xué)習(xí)，并且可能還支持壓縮以降低模型的功耗和大小。所支持的運算可以完全執(zhí)行大多數(shù)常見的NN網(wǎng)絡(luò)，以用于音頻處理、語音識別、圖像分類和對象檢測。u-NPU不支持的網(wǎng)絡(luò)可以回退到主CPU內(nèi)核，并由CMSIS-NN庫加速。在這種方法中，NN模型是在uNPU上執(zhí)行的。

在配置了MCU的設(shè)備中實現(xiàn)AI不只有這兩種方法。隨著MCU的性能不斷推向更高的水平，逐漸接近MPU的預(yù)期水準(zhǔn)，我們將會看到完全的AI功能直接構(gòu)建在MCU上，而且具有輕量級的學(xué)習(xí)算法和推理功能。

04 邊緣AI才是未來

在資源受限的MCU上實現(xiàn)AI將在未來呈指數(shù)級增長。隨著MCU性能的不斷提升，MCU和MPU之間的界限越來越模糊，同時出現(xiàn)越來越多適用于資源受限設(shè)備的“瘦”神經(jīng)網(wǎng)絡(luò)模型，新的應(yīng)用和用例將不斷浮現(xiàn)。

未來，隨著MCU性能的提高，我們將會看到除推理之外的輕量級學(xué)習(xí)算法直接在MCU上實現(xiàn)。這將為MCU制造商開辟新的市場與應(yīng)用，并將成為其重要的投資領(lǐng)域。

—END—

新聞資訊

行業(yè)動態(tài)