如今，從個人設備到企業應用程序，人工智能已經無處不在，你隨處可見。物聯網的出現伴隨著對數據隱私、低功耗、低延遲和帶寬限制的需求不斷增長，這越來越多地推動了AI模型在邊緣而不是云中運行。

根據Grand View Research的數據，2019年全球邊緣人工智能芯片市場價值為18億美元，預計從2020年到2027年將以21.3%的復合年增長率增長。在這個開始，谷歌推出了邊緣TPU，也被稱為珊瑚TPU，這是其專門構建的ASIC，用于在邊緣運行AI。它旨在提供出色的性能，同時占用最小的空間和功率。

當我們訓練AI模型時，我們最終會得到具有高存儲要求和GPU處理能力的AI模型。我們無法在內存和處理占用空間較低的設備上執行它們。張量流精簡版在這種情況下很有用。張量流精簡版是一個開源深度學習框架，在邊緣TPU上運行，允許設備上推理和AI模型執行。另請注意，TensorFlow 精簡版僅用于在邊緣執行推理，而不用于訓練模型。為了訓練AI模型，我們必須使用張量流。

結合邊緣 TPU 和張量流精簡版

當我們談論在邊緣TPU上部署AI模型時，我們只是無法部署任何AI模型。

邊緣 TPU 支持 NN（神經網絡）操作和設計，以實現低功耗的高速神經網絡性能。除了特定的網絡，它只支持邊緣TPU的8位量化和編譯的張量流精簡版模型。

為了快速總結，張量流精簡版是張量流的輕量級版本，專為移動和嵌入式設備設計。它以較小的存儲大小實現低延遲結果。有一個張量流精簡版轉換器，允許將基于張量流的AI模型文件（pb）轉換為張量流精簡版文件（.tflite）。下面是在 Edge TPU 上部署應用程序的標準工作流。

邊緣 TPU 上的應用程序部署

讓我們來看看一些有趣的現實世界應用程序，這些應用程序可以在邊緣TPU上使用張量流精簡版構建。

人體檢測和計數

該解決方案具有許多實際應用，特別是在商場，零售，政府辦公室，銀行和企業中。人們可能想知道在檢測和計算人類方面可以做些什么。數據現在具有時間和金錢的價值。讓我們看看如何使用人類檢測和計數的見解。

估計客流量：對于零售業來說，這很重要，因為它給出了一個想法，如果他們的商店表現良好。他們的展示是否吸引顧客進入商店。它還可以幫助他們了解是否需要增加或減少支持人員。對于其他組織，它們有助于為人們采取適當的安全措施。

人群分析和隊列管理：對于政府機關和企業來說，通過人工檢測和計數進行隊列管理有助于他們管理更長的隊列并節省人們的時間。研究隊列可以歸因于個人和組織的績效。人群檢測可以幫助分析緊急情況、安全事件等人群警報，并采取適當的措施。當部署在邊緣時，這樣的解決方案可以提供最佳結果，因為所需的操作可以近乎實時地采取。

基于年齡和性別的定向廣告。

該解決方案主要在零售和廣告行業具有實際應用。想象一下，你走向展示女鞋廣告的廣告展示，然后突然廣告變成了男性的鞋子廣告，因為它確定你是男性。有針對性的廣告可以幫助零售商和制造商更好地定位他們的產品，并創造正常人在忙碌的生活中永遠不會看到的品牌意識。

這不能僅限于廣告，年齡和性別檢測還可以通過管理零售商店中的適當支持人員，人們更喜歡訪問您的商店，企業等的年齡和性別來幫助企業做出快速決策。如果你非常迅速地確定和采取行動，所有這些都會更加強大和有效。因此，更重要的是，這是在Edge TPU上使用此解決方案的原因。

人臉識別

第一個人臉識別系統建于1970年，迄今為止仍在開發中，變得更加強大和有效。邊緣人臉識別的主要優點是實時識別。另一個優點是在邊緣進行人臉加密和特征提取，只需將加密和提取的數據發送到云端進行匹配，從而保護人臉圖像的PII級隱私（因為您不會在邊緣和云端保存人臉圖像），并遵守嚴格的隱私法規。

邊緣TPU與張量流精簡版框架相結合，開辟了幾個邊緣AI應用機會。由于該框架是開源的，開源軟件（OSS）社區也支持它，使其在機器學習用例中更加流行。TensorFlow Lite的整體平臺增強了嵌入式和物聯網設備邊緣應用程序增長的環境。

審核編輯：郭婷