在线观看www成人影院-在线观看www日本免费网站-在线观看www视频-在线观看操-欧美18在线-欧美1级

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

機器學習和深度學習實未來邊緣計算發展的重要領域

牽手一起夢 ? 來源:C114通信網 ? 作者:Markus Levy ? 2020-09-03 14:33 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

就在幾年前,人們普遍認為,機器學習(ML)甚至深度學習(DL)只能通過由網關、邊緣服務器或數據中心執行的邊緣訓練和推理,在高端硬件上完成。這種想法在當時不無道理,因為在云端和邊緣之間分配計算資源的趨勢尚處于早期發展階段。但如今,得益于業界和學術界的艱苦研發和不懈努力,情況已然發生了翻天覆地的變化。

處理器不必提供每秒數萬億次操作(TOPS),也能執行機器學習(ML)。越來越多的用例證明,只要使用最新的微控制器(部分帶有嵌入式ML加速器),就能在邊緣設備上開展機器學習。

只需極低的成本和極低的功耗,這些設備就能出色地完成ML,僅在絕對必要時才連接到云。簡而言之,內置ML加速器的微控制器代表著物聯網發展的下一階段:在生產數據的源頭,例如麥克風、攝像頭和監控其他環境條件的傳感器中引入智能計算,并使物聯網應用受益。

邊緣有多深?

目前普遍認為邊緣是物聯網網絡的最遠點,但通常指先進的網關或邊緣服務器。不過,這并不是邊緣的盡頭。真正的盡頭是鄰近用戶的傳感器。所以,合乎邏輯的做法是將盡可能多的分析能力安排在鄰近用戶的位置,而這也正是微處理器所擅長的。

不同寬度乘數下的多個MobileNet V1模型。圖中可見,寬度乘數對參數的數量、計算結果和精度都有顯著影響。但是,如果只是將寬度乘數從1.0改為0.75,TOP-1精度并無太大變化,參數的數量和算力需求卻明顯不同。

可以說,單板計算機也能用于邊緣處理,因為它們具有出色的性能,其集群可媲美一臺小型超級計算機。但問題是尺寸依然過大,而且對于大規模應用所需的成百上千次部署而言,成本過于高昂。它們還需要連接外部直流電源,在某些情況下可能超出可用范圍;相比之下,MCU的功耗只有幾毫瓦,并且可以使用紐扣電池或一些太陽能電池來供電。

毫無意外,用于在邊緣執行ML的微控制器成為了十分熱門的研發領域。甚至還有專有名稱- TinyML。TinyML的目標就是允許在資源受限的小型低功耗設備(尤其是微控制器),而不是在更大的平臺或云端上執行模型推理,甚至最終能實現模型訓練。這就需要縮小神經網絡模型的尺寸,以容納這些設備中相對較少的算力、存儲空間和帶寬資源,同時不會嚴重降低功能性和精度。

這些方案對資源進行了優化,使設備可以采集充足的傳感器數據并發揮恰當作用,同時微調精度并降低資源要求。因此,雖然數據可能仍被發送到云端(或者可能是先發送到邊緣網關,然后再發送到云端),但數量少得多,因為相當大一部分的分析已經完成。

現實中,一個十分常見的TinyML用例就是基于攝像頭的對象檢測系統,盡管能夠捕獲高分辨率圖像,但由于存儲空間有限,只能降低圖像分辨率。可是,如果攝像頭內置了數據分析功能,則只會捕獲所需的對象而非整個場景,而且因為相關的圖像區域更小,能保留高分辨率圖像。這種功能通常只見于更大型、性能更強大的設備,但是TinyML技術使得微控制器也能實現。

小巧卻不簡單

盡管TinyML還只是相對較新的一種范式,但已經表現出了不容小覷的推理能力(即便使用的是相對溫和的微控制器)和訓練(在性能更強大的微控制器上)成效,且精度損耗控制在最低限度。最近的示例包括:語音和面部識別、語音命令和自然語言處理,甚至同時運行多個復雜的視覺算法

實際說來,這意味著一臺裝載500-MHz Arm Cortex-M7內核的微控制器,花費不超過2美元,內存容量從28 Kb到128 KB不等,卻能提供強大的性能,使傳感器實現真正智能。例如,恩智浦的i.MX RT跨界MCU就使用運行TensorFlow Lite運行時引擎的小型ML模型實現了此種性能。以基本對象識別為例,通常在200 ms內即可完成,而且精度接近95%。

即使在這個價格和性能水平上,這些微處理器配備了多個安全功能(包括AES-128),并支持多個外部存儲器類型、以太網USB和SPI,同時還包含或支持多種類型的傳感器以及藍牙Wi-Fi、SPDIF和I2C音頻接口。價格稍高一些的設備則是通常搭載1-GHz Arm Cortex-M7、400-MHz Cortex-M4、2 Mbytes RAM和圖形加速。采用3.3 VDC電源供電時,功耗一般遠低于單板計算機。

TOPS概述

會使用單一指標來評判性能的不僅是消費者;設計者和市場營銷部門也一直如此,因為作為一項主要規格,它可以輕松地區分設備。一個經典示例就是CPU,多年來人們一直通過時鐘速率來評判性能;幸運的是,現在的設計者和消費者已不再如此。只用一個指標評定CPU性能就像是按照發動機的峰值轉速來評估汽車性能。盡管峰值轉速有一定參考意義,但幾乎無法體現發動機的強勁或汽車的駕駛性能,這些特性取決于許多其他因素。

遺憾的是,同樣的尷尬也發生在以每秒數十億次或上萬億次操作來界定的神經網絡加速器(包括高性能MPU或微控制器中的加速器),原因一樣,簡單的數字好記。在實踐中,單獨的GOPS和TOPS只是相對無意義的指標,代表的是實驗室而非實際操作環境中的一次測量結果(毫無疑問是最好的結果)。例如,TOPS沒有考慮內存帶寬的限制、所需要的CPU開支、預處理和后處理以及其他因素。如果將所有這些和其他因素都一并考慮在內,例如在實際操作中應用于特定電路板時,系統級別的性能或許只能達到數據表上TOPS值的50%或60%。

所有這些數字都是硬件中的計算單元乘以對應的時鐘速率所得到的數值,而不是上需要運行時數據已經就緒的頻率。如果數據一直即時可用,也不存在功耗問題和內存限制,并且算法能無縫映射到硬件,則這種統計方式更有參考價值。然而,現實中并沒有這樣理想的環境。

當應用于微控制器中的ML加速器時,該指標更沒有價值。這些小型設備的GOPS值通常在1-3之間,但仍然能夠提供許多ML應用中所需要的推理功能。這些設備也依賴專為低功耗ML應用而設計的Arm Cortex處理器。除了支持整數和浮點運算以及微控制器中的許多其他功能之外,TOPS或其他任何單一指標明顯無法充分定義性能,無論是單獨使用還是在系統中都是如此。

結論

隨著物聯網領域進一步發展,在邊緣執行盡可能多的處理,逐漸出現一種需求,即在直接位于或附著于傳感器上的微控制器上執行推理。也就是說,微處理器中應用處理器和神經網絡加速器的發展速度十分迅猛,更完善的解決方案也層出不窮。總體趨勢是將更多以人工智能為中心的功能(例如神經網絡處理)與應用處理器一起整合到微處理器中,同時避免功耗或尺寸顯著增加。

如今,可以先在功能更強大的CPU或GPU上訓練模型,然后在使用推理引擎(例如TensorFlow Lite)的微控制器上實施,從而減小尺寸以滿足微控制器的資源要求。可輕松擴展,以適應更高的ML要求。相信不久之后,推理和訓練就能在這些設備上同時執行,讓微控制器的競爭力直追更大、更昂貴的計算解決方案。

責任編輯:gt

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 機器學習
    +關注

    關注

    66

    文章

    8501

    瀏覽量

    134520
  • 深度學習
    +關注

    關注

    73

    文章

    5560

    瀏覽量

    122753
  • 邊緣計算
    +關注

    關注

    22

    文章

    3320

    瀏覽量

    50857
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    智聚邊緣 創見未來 貿澤電子2025技術創新論壇探討“邊緣AI與機器學習”新紀元

    AI浪潮下企業數字化轉型的創新路徑和可持續發展戰略,攜手創造智能化未來。 貿澤電子亞太區市場及商務拓展副總裁田吉平表示:“邊緣AI與機器學習
    的頭像 發表于 05-22 10:38 ?288次閱讀

    軍事應用中深度學習的挑戰與機遇

    人工智能尤其是深度學習技術的最新進展,加速了不同應用領域的創新與發展深度學習技術的
    的頭像 發表于 02-14 11:15 ?525次閱讀

    機器學習模型市場前景如何

    當今,隨著算法的不斷優化、數據量的爆炸式增長以及計算能力的飛速提升,機器學習模型的市場前景愈發廣闊。下面,AI部落小編將探討機器學習模型市場
    的頭像 發表于 02-13 09:39 ?356次閱讀

    傳統機器學習方法和應用指導

    用于開發生物學數據的機器學習方法。盡管深度學習(一般指神經網絡算法)是一個強大的工具,目前也非常流行,但它的應用領域仍然有限。與
    的頭像 發表于 12-30 09:16 ?1171次閱讀
    傳統<b class='flag-5'>機器</b><b class='flag-5'>學習</b>方法和應用指導

    邊緣學習:降本增效,開啟物流新未來

    在當今數字化浪潮下,物流行業正經歷著深刻變革。邊緣學習作為一項基于AI的創新技術,已在物流領域嶄露頭角。它不僅能幫助物流企業應對突發公共衛生事件帶來的挑戰,還在包裹檢測、分類和流程問題檢測等方面
    的頭像 發表于 12-20 09:07 ?389次閱讀

    NPU與機器學習算法的關系

    在人工智能領域機器學習算法是實現智能系統的核心。隨著數據量的激增和算法復雜度的提升,對計算資源的需求也在不斷增長。NPU作為一種專門為深度
    的頭像 發表于 11-15 09:19 ?1185次閱讀

    NPU在深度學習中的應用

    隨著人工智能技術的飛速發展深度學習作為其核心驅動力之一,已經在眾多領域展現出了巨大的潛力和價值。NPU(Neural Processing Unit,神經網絡處理單元)是專門為
    的頭像 發表于 11-14 15:17 ?1880次閱讀

    GPU深度學習應用案例

    GPU在深度學習中的應用廣泛且重要,以下是一些GPU深度學習應用案例: 一、圖像識別 圖像識別是深度
    的頭像 發表于 10-27 11:13 ?1328次閱讀

    激光雷達技術的基于深度學習的進步

    信息。這使得激光雷達在自動駕駛、無人機、機器人等領域具有廣泛的應用前景。 二、深度學習技術的發展 深度
    的頭像 發表于 10-27 10:57 ?1047次閱讀

    具身智能與機器學習的關系

    (如機器人、虛擬代理等)通過與物理世界或虛擬環境的交互來獲得、發展和應用智能的能力。這種智能不僅包括認知和推理能力,還包括感知、運動控制和環境適應能力。具身智能強調智能體的身體和環境在智能發展中的
    的頭像 發表于 10-27 10:33 ?1037次閱讀

    邊緣計算未來發展趨勢

    邊緣計算未來發展趨勢呈現出多元化和高速增長的態勢,以下是對其未來發展趨勢的分析: 一、技術融合
    的頭像 發表于 10-24 14:21 ?1747次閱讀

    AI大模型與深度學習的關系

    AI大模型與深度學習之間存在著密不可分的關系,它們互為促進,相輔相成。以下是對兩者關系的介紹: 一、深度學習是AI大模型的基礎 技術支撐 :深度
    的頭像 發表于 10-23 15:25 ?2862次閱讀

    FPGA做深度學習能走多遠?

    。FPGA的優勢就是可編程可配置,邏輯資源多,功耗低,而且賽靈思等都在極力推廣。不知道用FPGA做深度學習未來會怎樣發展,能走多遠,你怎么看。 A:FPGA 在
    發表于 09-27 20:53

    深度學習模型有哪些應用場景

    深度學習模型作為人工智能領域重要分支,已經在多個應用場景中展現出其巨大的潛力和價值。這些應用不僅改變了我們的日常生活,還推動了科技進步和產業升級。以下將詳細探討
    的頭像 發表于 07-16 18:25 ?4045次閱讀

    深度學習算法在嵌入式平臺上的部署

    隨著人工智能技術的飛速發展深度學習算法在各個領域的應用日益廣泛。然而,將深度學習算法部署到資源
    的頭像 發表于 07-15 10:03 ?3151次閱讀
    主站蜘蛛池模板: 在线观看色视频网站 | 高清一区二区在线观看 | 免费抓胸吻胸激烈视频网站 | 久久免费公开视频 | 免费在线看视频 | 欧美一级视频精品观看 | 四虎永久在线精品免费影视 | 六月婷婷七月丁香 | 久久亚洲免费视频 | 永久黄网站色视频免费观看 | 色播图片 | 变态重口极致另类在线 | 欧美性xx18一19 | 性中国videosex国产孕妇 | 久久手机免费视频 | 欧美性黑人极品hd网站 | 5g国产精品影院天天5g天天爽 | 欧美adc影院 | 天天操综合网 | 成人三级视频 | 六月丁香深爱六月综合激情 | 康熙古代高h细节肉爽文全文 | 日韩美a一级毛片 | 老师今晚让你爽个够 | 欧美性喷潮 | 一区二区三区四区在线观看视频 | 天天综合网天天做天天受 | 91大神亚洲影视在线 | 色激情综合 | 天天舔天天射天天干 | 美女一级a毛片免费观看 | 性欧美欧美 | 免费观看成年欧美1314www色 | 免费看一毛一级毛片视频 | 日本不卡一区在线 | 视频网站免费看 | 性欧美video视频另类 | 丁香婷婷色 | 久久午夜国产片 | 日日摸夜夜爽夜夜爽出水 | 成人av.com|