譯自:https://blogs.windriver.com/wind_river_blog

/2020/01/practical-applications-for-ai-and-ml-in-embedded-systems/

基本背景

嵌入式開發(fā)往往是由部署高度優(yōu)化和高效的系統(tǒng)需求所驅(qū)動。

人工智能通過采用解決復(fù)雜問題的新方法對現(xiàn)有業(yè)務(wù)或現(xiàn)有工作類型的革命而顛覆世界。無論您是否真正了解這種顛覆性革新所帶來價值，以及如何將其應(yīng)用到您的市場中，還是想弄清楚如何利用這項技術(shù)，對人工智能及其潛在應(yīng)用的做一些基本了解已迫在眉睫。了解其潛在的應(yīng)用必將成為您戰(zhàn)略規(guī)劃過程的關(guān)鍵一環(huán)。

盡管已進行了大肆宣傳，但令人震驚的是，人們認為人工智能似乎是無所不能的魔術(shù)棒。然而魔術(shù)師們卻僅僅能使用很小的一部分魔術(shù)技能以解決現(xiàn)實中的問題。這種反差引起人們強烈關(guān)注的一個領(lǐng)域是如何將人工智能應(yīng)用于嵌入式系統(tǒng)，重點是如何在這些更受限的環(huán)境中部署人工智能應(yīng)用。

定義和基本原理

為確保我們能有基本共識，讓我們從不同技術(shù)及其對計算要求的基本背景開始介紹。

人工智能是一門計算機科學(xué)學(xué)科，致力于研究如何使用計算機來模仿人類智能。自20世紀計算機技術(shù)問世以來，人工智能就已經(jīng)存在了，當(dāng)時諸如Alan Turing之類的先驅(qū)者預(yù)見了計算機以人類可能以類似的方式解決問題的可能性。

經(jīng)典的計算機編程通過在代碼中顯式編碼算法來解決問題，指導(dǎo)計算機執(zhí)行邏輯來處理數(shù)據(jù)并計算輸出。相比之下，機器學(xué)習(xí)（ML）是一種AI方法，旨在尋找數(shù)據(jù)模型，并根據(jù)數(shù)據(jù)進行有效學(xué)習(xí)。有很多方法可以實現(xiàn)，包括預(yù)標記數(shù)據(jù)（或不標記數(shù)據(jù)），指導(dǎo)算法開發(fā)的強化學(xué)習(xí)，通過統(tǒng)計分析（或其他方法）提取特征，然后根據(jù)經(jīng)過訓(xùn)練的數(shù)據(jù)集對輸入數(shù)據(jù)進行分類，從而確定具有指定置信度的輸出。

深度學(xué)習(xí)（DL）是ML的子集，它使用多層神經(jīng)網(wǎng)絡(luò)從迭代的大型數(shù)據(jù)集中訓(xùn)練模型。訓(xùn)練后，模型可以查看新數(shù)據(jù)集以推斷出新數(shù)據(jù)。這種方法最近引起了很多關(guān)注，并已應(yīng)用于各種問題，如圖像處理和語音識別或金融資產(chǎn)建模。我們認為這種方法也對未來的關(guān)鍵基礎(chǔ)架構(gòu)和設(shè)備產(chǎn)生重大影響。

在嵌入式系統(tǒng)中應(yīng)用ML/DL

由于創(chuàng)建精確模型所需的大量數(shù)據(jù)集以及訓(xùn)練模型所需的大量計算能力，因此通常在云或高性能計算環(huán)境中進行訓(xùn)練。相反，推論通常應(yīng)用于靠近數(shù)據(jù)源的設(shè)備中。盡管分布式訓(xùn)練或邊緣訓(xùn)練是一個非常令人感興趣的話題，但它并不是當(dāng)今大多數(shù)ML系統(tǒng)的部署方式。為了簡單起見，我們假設(shè)訓(xùn)練是在云端進行的，而推理將在邊緣或設(shè)備內(nèi)進行。

如前所述，機器學(xué)習(xí)和深度學(xué)習(xí)是以數(shù)據(jù)為中心的學(xué)科。因此，創(chuàng)建和訓(xùn)練模型需要訪問大型數(shù)據(jù)集以及為數(shù)據(jù)操作提供豐富環(huán)境的工具和環(huán)境。使用了簡化數(shù)據(jù)處理，實現(xiàn)復(fù)雜的數(shù)學(xué)庫和統(tǒng)計分析的框架和語言。這些通常是諸如Python之類的語言框架，然后在其上構(gòu)建ML框架。有很多這樣的框架，一些常見的框架包括TensorFlow，Caffe或PyTorch。

機器學(xué)習(xí)框架可用于模型開發(fā)和訓(xùn)練，也可用于在邊緣使用經(jīng)過訓(xùn)練的模型來運行推理引擎。因此，一種簡單的部署方案是在設(shè)備中部署諸如TensorFlow的框架。由于它們需要豐富的運行時環(huán)境（例如Python），因此它們最適合Linux上的通用計算工作負載。由于需要在移動設(shè)備上運行機器學(xué)習(xí)，我們看到許多輕量級的推理引擎（TensorFlow Lite，PyTorch mobile）已經(jīng)開始開發(fā)，需要較少的資源，但是這些引擎相較于其全功能版本仍然尚未廣泛使用或還不成熟。

不需要完整的ML框架就可以解釋和運行某些模型。例如，包含深層/卷積神經(jīng)網(wǎng)絡(luò)（DNN / CNN）庫的計算機視覺框架OpenCV可以從TensorFlow和其他框架中讀取模型。OpenCV和DNN庫可在許多不支持更復(fù)雜或功能齊全的ML框架的緊湊型操作環(huán)境中使用，因此第二個部署選項是使用諸如OpenCV的框架部署推理引擎。

機器學(xué)習(xí)是高度計算密集型的，早期部署（例如在自動駕駛汽車中）依賴于專門的硬件加速器，例如GPU，F(xiàn)PGA或?qū)ｉT的神經(jīng)網(wǎng)絡(luò)。隨著這些加速器在SoC中變得越來越普遍，我們可以預(yù)期看到高效的引擎在受限設(shè)備中運行機器學(xué)習(xí)模型。發(fā)生這種情況時，另一個部署選項是編譯經(jīng)過訓(xùn)練的模型，以在DNN加速器上進行優(yōu)化部署。一些這樣的工具已經(jīng)存在，并且需要現(xiàn)代的編譯器框架（例如LLVM）以模型前端和硬件加速器后端為目標。

對嵌入式開發(fā)的影響

嵌入式開發(fā)通常是由部署高度優(yōu)化和高效的系統(tǒng)的需求所驅(qū)動。經(jīng)典的開發(fā)方法是從非常受限的硬件和軟件環(huán)境開始，并僅在需要時才添加功能。這是RTOS應(yīng)用程序的典型應(yīng)用。

隨著技術(shù)的日新月異，我們看到開發(fā)方法首先要使復(fù)雜的系統(tǒng)工作，然后在以后的階段進行優(yōu)化以進行部署。與軟件的許多重大進步一樣，開源社區(qū)是機器學(xué)習(xí)中創(chuàng)新步伐和規(guī)模的重要推動引擎。包含在開源中并通常從Linux開發(fā)開始的工具和框架正在迅速成為主要的創(chuàng)新途徑。因此，同時使用實時操作系統(tǒng)（RTOS）和Linux或?qū)㈤_源從Linux遷移到RTOS是必須得到支持的重要開發(fā)旅程。

無論公司是剛剛起步還是準備部署優(yōu)化的機器學(xué)習(xí)解決方案，他們都必須構(gòu)建基礎(chǔ)技術(shù)和豐富的開發(fā)環(huán)境來抽象化復(fù)雜性并啟用異構(gòu)運行時環(huán)境。

點擊留言/查看留言

—END—