AI普及給嵌入式設(shè)計人員帶來新挑戰(zhàn)

探討了人工智能（AI）的普及給嵌入式設(shè)計人員帶來的新挑戰(zhàn)。在創(chuàng)建“邊緣機器學(xué)習(xí)（ML）”應(yīng)用時，設(shè)計人員必須確保其能有效運行，同時最大限度地降低處理器和存儲開銷，以及物聯(lián)網(wǎng)（IoT）設(shè)備的功耗。

從監(jiān)控和訪問控制到智能工廠和預(yù)測性維護，基于機器學(xué)習(xí)（ML）模型構(gòu)建的人工智能（AI）在工業(yè)物聯(lián)網(wǎng)邊緣處理應(yīng)用中已變得無處不在。隨著這種普及，支持AI的解決方案的構(gòu)建已經(jīng)變得“大眾化”——從數(shù)據(jù)科學(xué)家的專業(yè)領(lǐng)域轉(zhuǎn)為嵌入式系統(tǒng)設(shè)計人員也需要了解的領(lǐng)域。這種大眾化帶來的挑戰(zhàn)在于，設(shè)計人員并不一定具備定義要解決的問題以及以最恰當(dāng)方式捕獲和組織數(shù)據(jù)的能力。此外，與消費類解決方案不同，工業(yè)AI實現(xiàn)的現(xiàn)有數(shù)據(jù)集很少，通常需要用戶從頭開始創(chuàng)建自己的數(shù)據(jù)集。

融入主流

AI已經(jīng)融入主流，深度學(xué)習(xí)和機器學(xué)習(xí)（DL和ML）是我們現(xiàn)在習(xí)以為常的許多應(yīng)用的背后力量，這些應(yīng)用包括自然語言處理、計算機視覺、預(yù)測性維護和數(shù)據(jù)挖掘。早期的AI實現(xiàn)是基于云或服務(wù)器的，需要大量的處理能力和存儲空間，以及AI/ML應(yīng)用與邊緣（終端）之間的高帶寬連接。盡管生成式AI應(yīng)用（如ChatGPT、DALL-E和Bard）仍然需要此類設(shè)置，但近年來已經(jīng)出現(xiàn)了邊緣處理的AI，即在數(shù)據(jù)捕獲點實時處理數(shù)據(jù)。邊緣處理極大減少了對云的依賴，使整體系統(tǒng)/應(yīng)用更快、需要更少的功耗并且成本更低。許多人認為安全性得到了提高，但更準(zhǔn)確地說，主要的安全重點從保護云與終端之間的通信轉(zhuǎn)移到了使邊緣設(shè)備更安全。

邊緣的AI/ML可以在傳統(tǒng)的嵌入式系統(tǒng)上實現(xiàn)，這些系統(tǒng)的設(shè)計人員可以使用強大的微處理器、圖形處理單元和豐富的存儲器器件，即類似于PC的資源。然而，越來越多的商業(yè)和工業(yè)物聯(lián)網(wǎng)設(shè)備需要在邊緣具備AI/ML功能，這些設(shè)備通常硬件資源有限，而且在許多情況下由電池供電。

在資源和功耗受限的硬件上運行的邊緣AI/ML的潛力催生了“TinyML”這一術(shù)語。實際用例涵蓋工業(yè)（如預(yù)測性維護）、樓宇自動化（環(huán)境監(jiān)控）、建筑施工（監(jiān)督人員安全）和安防等領(lǐng)域。

數(shù)據(jù)流

AI（及其子集ML）需要從數(shù)據(jù)捕獲/收集到模型部署的工作流程（見圖1）。對于TinyML而言，由于嵌入式系統(tǒng)資源有限，因此每個工作流程階段的優(yōu)化至關(guān)重要。

例如，TinyML的資源需求被認為是1 MHz到400 MHz的處理速度、2 KB到512 KB的RAM和32 KB到2 MB的存儲空間（閃存）。此外，150 μW至23.5 mW的小功耗預(yù)算也常常帶來挑戰(zhàn)。

圖1——上圖為簡化的AI工作流程。雖然圖中未顯示，但模型部署本身必須將數(shù)據(jù)反饋回流程中，甚至可能影響數(shù)據(jù)的收集。

此外，在將AI嵌入資源有限的嵌入式系統(tǒng)時，還有更重要的考慮因素或權(quán)衡。模型是系統(tǒng)行為的關(guān)鍵，但設(shè)計人員經(jīng)常發(fā)現(xiàn)自己在模型質(zhì)量/精度（影響系統(tǒng)可靠性/依賴性和性能，主要是運行速度和功耗）之間做出妥協(xié)。

另一個關(guān)鍵因素是決定使用哪種類型的AI/ML。通常有三種算法可供使用：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。

解決方案

即使是對AI和ML有良好理解的設(shè)計人員，可能也會在優(yōu)化AI/ML工作流程的每個階段并在模型精度與系統(tǒng)性能之間找到完美平衡方面遇到困難——那么缺乏以往經(jīng)驗的嵌入式設(shè)計人員如何應(yīng)對這些挑戰(zhàn)呢？

首先，重要的是不要忽視一個事實：如果模型小且AI任務(wù)僅限于解決簡單問題，那么部署在資源有限的物聯(lián)網(wǎng)設(shè)備上的模型將會更有效。

幸運的是，ML（特別是TinyML）進入嵌入式系統(tǒng)領(lǐng)域，帶來了新的（或增強的）集成開發(fā)環(huán)境（IDE）、軟件工具、架構(gòu)和模型——其中許多都是開源的。例如，TensorFlow? Lite for Microcontrollers（TF Lite Micro）是一個面向ML和AI的免費開源軟件庫，它專為在只有幾KB存儲器的器件上實現(xiàn)ML而設(shè)計。此外，程序可以用開源和免費的Python語言編寫。

關(guān)于IDE，Microchip的MPLAB? X就是此類環(huán)境的一個示例。該IDE可與公司的MPLAB ML一起使用，MPLAB ML是專門開發(fā)的MPLAB X插件，用于構(gòu)建優(yōu)化的AI物聯(lián)網(wǎng)傳感器識別代碼。MPLAB ML由AutoML提供支持，可將AI ML工作流程的每一步完全自動化，無需重復(fù)、繁瑣和耗時的模型構(gòu)建。特征提取、訓(xùn)練、驗證和測試確保滿足單片機和微處理器存儲器限制的優(yōu)化模型，使開發(fā)人員能夠快速在基于Microchip Arm? Cortex?的32位MCU或MPU上創(chuàng)建和部署ML解決方案。

流程優(yōu)化

工作流程優(yōu)化任務(wù)可以通過使用現(xiàn)成的數(shù)據(jù)集和模型來簡化。例如，如果一個支持ML的物聯(lián)網(wǎng)設(shè)備需要圖像識別，從現(xiàn)有的標(biāo)記靜態(tài)圖像和視頻片段數(shù)據(jù)集開始進行模型訓(xùn)練（測試和評估）是合理的；需要注意的是，監(jiān)督學(xué)習(xí)算法需要標(biāo)記數(shù)據(jù)。

許多圖像數(shù)據(jù)集已經(jīng)存在于計算機視覺應(yīng)用中。然而，由于它們是為基于PC、服務(wù)器或云的應(yīng)用設(shè)計的，通常都很大。例如，ImageNet包含超過1400萬張標(biāo)注圖像。

根據(jù)ML應(yīng)用的不同，可能只需要少量子集；例如，有很多人但只有少量靜物的圖像。例如，如果在建筑工地使用支持ML的攝像頭，當(dāng)有不戴安全帽的人進入其視野時，它們可以立即發(fā)出報警。ML模型需要訓(xùn)練，但可能只需要少量戴或不戴安全帽的人的圖像。然而，對于帽子類型，可能需要更大的數(shù)據(jù)集和足夠的數(shù)據(jù)集范圍，以考慮不同的光照條件等各種因素。

圖1中第1步到第3步的內(nèi)容分別是獲得正確的實時（數(shù)據(jù)）輸入和數(shù)據(jù)集、準(zhǔn)備數(shù)據(jù)和訓(xùn)練模型。模型優(yōu)化（第4步）通常是壓縮，這有助于減少存儲器需求（處理期間的RAM和用于存儲的NVM）和處理延遲。

在處理方面，許多AI算法（如卷積神經(jīng)網(wǎng)絡(luò)（CNN））在處理復(fù)雜模型時會遇到困難。一種流行的壓縮技術(shù)是剪枝（見圖2），剪枝有四種類型：權(quán)重剪枝、單元/神經(jīng)元剪枝和迭代剪枝。

圖2——剪枝減少了神經(jīng)網(wǎng)絡(luò)的密度。上圖中，某些神經(jīng)元之間的連接權(quán)重被設(shè)為零。但有時神經(jīng)元也可以被剪掉（圖中未顯示）。

量化是另一種流行的壓縮技術(shù)。量化是將高精度格式（如32位浮點（FP32））的數(shù)據(jù)轉(zhuǎn)換為低精度格式（如8位整數(shù)（INT8））的過程。量化模型（見圖3）的使用可以通過以下兩種方式之一納入機器訓(xùn)練。

訓(xùn)練后量化涉及使用FP32格式的模型，當(dāng)訓(xùn)練完成后，再進行量化以便部署。例如，可以使用標(biāo)準(zhǔn)TensorFlow在PC上進行初始模型訓(xùn)練和優(yōu)化。然后模型可以進行量化，并通過TensorFlow Lite嵌入到物聯(lián)網(wǎng)設(shè)備中。

量化感知訓(xùn)練可仿真推斷時量化，創(chuàng)建一個模型供下游工具用于生成量化模型。

圖3——量化模型使用低精度，從而減少存儲器和存儲需求并提高能源效率，同時仍保留相同的形狀。

雖然量化很有用，但不應(yīng)過度使用，因為它類似于通過使用較少的位表示顏色和/或使用較少的像素來壓縮數(shù)字圖像——即，會存在一個圖像變得難以解釋的點。

總結(jié)

正如我們在開頭所提到的，AI現(xiàn)在已經(jīng)深深融入嵌入式系統(tǒng)領(lǐng)域。然而，這種大眾化意味著以前不需要了解AI和ML的設(shè)計工程師正面臨將AI解決方案實現(xiàn)到其設(shè)計中的挑戰(zhàn)。

盡管創(chuàng)建ML應(yīng)用并充分利用有限硬件資源的挑戰(zhàn)可能令人望而卻步，但這對經(jīng)驗豐富的嵌入式系統(tǒng)設(shè)計人員來說并不是一個新挑戰(zhàn)。好消息是，工程社區(qū)內(nèi)有豐富的信息（和培訓(xùn)），以及像MPLAB X這樣的IDE、MPLAB ML這樣的模型構(gòu)建工具以及各種開源數(shù)據(jù)集和模型。這種生態(tài)系統(tǒng)可幫助不同理解水平的工程師快速完成現(xiàn)在可以在16位甚至8位單片機上實現(xiàn)的AL和ML解決方案。