嵌入式電子+人工智能

在技術(shù)發(fā)展的歷史上，技術(shù)先獨立發(fā)展再相互融合以改變世界的例子比比皆是。原子能和噴氣式發(fā)動機的融合催生了核動力航母，改變了20世紀大部分戰(zhàn)爭的形態(tài)。計算機和射頻通信的融合產(chǎn)生了智能手機，同時也重新定義了我們與技術(shù)以及彼此之間的互動方式。今天，嵌入式電子和人工智能（AI）的融合正日益成為下一個具有顛覆性的技術(shù)組合。接下來我們就看一下這種融合的發(fā)展演變。

歡迎來到網(wǎng)絡(luò)邊緣 人工智能的概念最早出現(xiàn)在古希臘人的著作中，但直到20世紀上半葉，才開始將其作為一種實際技術(shù)進行開發(fā)。從根本上來說，人工智能讓數(shù)字技術(shù)仿佛人腦一樣，能夠與模擬世界高效而快速地互動溝通。為了讓人工智能在現(xiàn)實世界獲得實際應(yīng)用，比如在自動駕駛車輛中，那么在處理多個動態(tài)輸入時，電子設(shè)備和物理世界之間的交互必須接近瞬時完成。值得慶幸的是，隨著機器學習算法的發(fā)展，嵌入式電子系統(tǒng)也在不斷進步。他們的聯(lián)姻催生出了邊緣計算的概念。

邊緣計算將過去只有云端強大處理硬件才具備的處理能力，帶給了位于物理-數(shù)字接口邊緣的本地設(shè)備。再加上MCU和傳感器等價格便宜而又性能強大的嵌入式組件的普及，最終在自動化領(lǐng)域掀起了一場規(guī)模、功能都史無前例的革命。

TensorFlow Lite：基于微型硬件的大型機器學習算法

TensorFlow是Google主導開發(fā)的一套開源軟件庫，使開發(fā)人員能夠輕松地將復雜的數(shù)值計算算法和機器學習（ML）集成到他們的項目中（圖1）。按照Google的說法，這些庫為Python（所有平臺上的Python 3.7+）和C語言提供穩(wěn)定的應(yīng)用程序編程接口（API）。此外，它們還為C++、Go、Java和JavaScript提供不保證向后兼容的API。針對Apple公司的Swift語言，它也提供了一個alpha版本。

TensorFlow為深度神經(jīng)網(wǎng)絡(luò)（DNN）的開發(fā)和利用提供了我們常說的端到端機器學習支持。DNN是機器學習的一種應(yīng)用類型，特別擅長模式識別以及對象檢測與分類。TensorFlow庫支持機器學習過程的兩個階段，即訓練和推斷。其中第一階段是深層神經(jīng)網(wǎng)絡(luò)的訓練，這需要大量算力，通常由服務(wù)器級硬件和圖形處理單元（GPU）提供。張量處理單元（TPU）則是最近開發(fā)的一種專用集成電路，用于支持這種訓練。第二階段是推斷，即利用在現(xiàn)實世界中接受訓練的DNN來回應(yīng)新的輸入：按照培訓好的模型分析這些輸入，并根據(jù)分析結(jié)果提出建議。這應(yīng)該是嵌入式產(chǎn)品開發(fā)人員比較感興趣的階段。

適用于MCU的TensorFlow Lite（TensorFlow庫的一個子集）專門用于在內(nèi)存受限的設(shè)備上執(zhí)行推斷，大多數(shù)嵌入式系統(tǒng)應(yīng)用中都存在這種設(shè)備。它不允許您訓練新的網(wǎng)絡(luò)，那仍然需要更高端的硬件。

實用為王：ML應(yīng)用實例

在嵌入式系統(tǒng)上運行人工智能算法的目標，就是要比傳統(tǒng)程序或面向?qū)ο蟮木幊谭椒ǜ咝У靥幚韨鞲衅魇占恼鎸嵤澜鐢?shù)據(jù)。也許在大家的意識中，最常見的使用案例是從傳統(tǒng)汽車到具有自動輔助功能（如車道偏離警報和防撞系統(tǒng)）的汽車，再到無人駕駛汽車這個最終目標的發(fā)展歷程。不過，深度學習還有其他一些不那么顯眼的用例，雖然你不知道，但已經(jīng)在使用了。智能手機中的語音識別或Amazon Alexa等虛擬助手均使用了深度學習算法。其他用例包括用于安防領(lǐng)域的面部檢測和/或背景替換、去除綠幕、遠程會議軟件（如Zoom）等。

人工智能、神經(jīng)網(wǎng)絡(luò)和機器學習等術(shù)語有時候給人的印象就像科幻小說或行話。那么這些新興技術(shù)的現(xiàn)實意義何在？

使用AI，可以自動監(jiān)測安全源來識別某些人

同時使用機器學習算法和聯(lián)網(wǎng)設(shè)備（如物聯(lián)網(wǎng)設(shè)備）帶來的一個巨大優(yōu)勢就是，隨著時間的推移，產(chǎn)品可以通過簡單的OTA固件更新來集成新的或經(jīng)過更好訓練的模型。這意味著產(chǎn)品可以逐漸變得更加智能，并且不局限于制造時能夠?qū)崿F(xiàn)的功能，只要新的模型和固件不超出硬件的物理內(nèi)存和處理能力即可。

圖3：將TensorFlow模型轉(zhuǎn)換為可在MCU等內(nèi)存受限設(shè)備上使用的版本。
（圖源：NXP）

工作流程 根據(jù)適用于MCU的TensorFlow Lite的說明文檔，開發(fā)人員的工作流程可以分為五個關(guān)鍵步驟（圖3），具體如下：

1、創(chuàng)建或獲取一個TensorFlow模型

該模型必須足夠小，以便在轉(zhuǎn)換后適合目標設(shè)備，并且它只能使用支持的運算。如果要使用當前不支持的運算，可以提供自定義實現(xiàn)。

2、將模型轉(zhuǎn)換為TensorFlow Lite FlatBuffer

使用TensorFlow Lite轉(zhuǎn)換器將模型轉(zhuǎn)換為標準TensorFlow Lite格式。您可能希望輸出一個量化模型，因為這種模型的尺寸更小，執(zhí)行效率更高。

3、將FlatBuffer轉(zhuǎn)換為C位數(shù)組

模型保存在只讀程序內(nèi)存中，并以簡單的C文件形式提供?？梢允褂脴藴使ぞ邔latBuffer轉(zhuǎn)換為C位數(shù)組。

4/集成適用于MCU的TensorFlow Lite C++庫

編寫MCU代碼來收集數(shù)據(jù)，使用C++庫執(zhí)行推斷，然后使用結(jié)果。

5、部署到設(shè)備

編寫程序并將其部署到您的設(shè)備。

選擇與TensorFlow Lite庫一起使用的兼容嵌入式平臺時，開發(fā)人員應(yīng)注意以下幾點：

基于32位架構(gòu)（如Arm Cortex-M處理器）和ESP32的系統(tǒng)。

它可以在內(nèi)存僅有數(shù)十KB的系統(tǒng)上運行。

適用于MCU的TensorFlow Lite采用C++ 11編寫。

適用于MCU的TensorFlow Lite可作為Arduino庫提供。該框架還可以為其他開發(fā)環(huán)境（如Mbed）生成項目。

不需要操作系統(tǒng)支持、動態(tài)內(nèi)存分配或任何C/C++標準庫。

后續(xù)步驟 Google提供四個預(yù)先訓練的模型作為示例，可用于在嵌入式平臺上運行。只需稍做修改，就能在各種開發(fā)板上使用。這些示例包括：

1、Hello World

演示使用適用于MCU的TensorFlow Lite的必備基礎(chǔ)知識。

2、Micro-Speech

用麥克風捕捉音頻以檢測單詞“yes”和“no”。

3、Person Detection

用圖像傳感器捕捉攝像頭數(shù)據(jù)，以檢測是否有人。

4、Magic Wand

捕獲加速度計數(shù)據(jù)以對三種不同的身體姿勢進行分類。

編輯：hfy