掌握嵌入式 AI

将 AI 放入嵌入式应用程序的吸引力是显而易见的，例如使用 face-id 来授权访问工厂车间的机器控制。人脸识别、语音控制、异常检测，有了人工智能就有很多可能性。我将在本博客中使用 face-id 作为示例。比传统的人机界面和密码更易于使用、更智能、更强大。更不用说其他人都在这样做了。 AI 的工作原理看似神奇，但它可以做的却是迅速成为最低期望。没有人愿意根据昨天的技术透明地评估产品。

挑战

产品制造商有问题。基于人工智能的开发与标准的嵌入式开发有很大不同。您不是在编写软件，至少不是在编写核心功能。您必须训练神经网络来识别模式（如图像），就像在学校训练孩子一样。然后，您必须根据嵌入式设备的受限占用空间优化该网络，以满足尺寸和功率目标。神经网络可能不是常规代码，但网络及其计算仍然消耗内存和消耗功率。作为嵌入式开发人员，您知道尽可能多地压缩这些指标的重要性。我将在下一篇博客中讨论这个问题。现在让我们至少了解一些这些神经网络的工作原理。

基础知识

我不想向您详细介绍神经网络；正是您要使您的应用程序正常工作所需要做的事情。神经网络在概念上是一系列“神经元”层。每个神经元从前一层或输入数据读取两个（或更多）输入，使用训练的权重应用计算并前馈结果。基于这些权重，层会检测特征，随着您在层间移动，特征会逐渐变得复杂，最终在输出端识别出复杂的图像。

第一个聪明的部分是设计网络——有多少层，层之间的连接等等——核心神经网络算法。第二个聪明的部分是训练。这是一个通过网络运行许多图像的过程，并带有标记以识别应识别的内容。这些运行建立了识别所需的权重值。

如果您觉得雄心勃勃，可以从头开始为标准网络之一（例如 TensorFlow）构建自己的神经网络。您也可以从开源选项开始，例如 face-id 的这个选项。您可以将所有这些构建到一个可以在笔记本电脑上运行的应用程序中，这对于想要注册新批准的面孔的客户来说非常方便。现在，您可以开始使用多个姿势的已批准人脸的测试集来训练您的网络。

为什么不直接在云中执行此操作？

有一些服务可以在线进行人脸识别——无需在您的设备上进入凌乱的人工智能。只需拍下照片，上传到云端，应用程序回传一个 OK，您的产品就会批准下一步。

但是 - 所有获得批准的员工都需要在云中拥有他们的照片和其他凭据。对于安全和隐私来说，这可能不是一个好主意。每次工作人员想要访问机器时，您都会消耗相当多的能量来将图像传输到云。如果您的 Internet 连接中断，则在它恢复之前，任何人都无法获得批准。在设备上进行身份验证可以保护隐私和安全，保持低功耗，即使在网络连接中断的情况下也能继续工作。

接下来 - 嵌入您训练有素的网络

现在您已经完成了 AI 的难点，您必须将其下载到您的设备上。这本身就是一个有趣的步骤，您肯定需要 AI 平台的帮助。我将在我的下一篇博客中更多地讨论这一点。同时，有关更多信息，请查看“实时嵌入式世界的深度学习”。

阿里尔·赫什科维茨 担任 CEVA 软件开发工具客户解决方案高级经理。 Ariel 拥有超过 14 年的多学科经验，涵盖软件开发、验证、集成和软件交付部署，担任技术和管理职务。他对用户体验、易用性和创新技术充满热情。精通复杂问题的分析和简化以快速解决问题。 Ariel 拥有理学学士学位。本古里安大学计算机科学专业，巴伊兰大学工商管理硕士学位。

相关内容：

• 在嵌入式系统中应用机器学习
• 物联网中机器学习的挑战和机遇
• 解决机器学习中的训练偏差
• 利用 FPGA 进行深度学习
• 基准分数突出了广泛的机器学习推理性能
• 物联网的迁移学习
• 自动驾驶汽车的人工智能算法和挑战

有关 Embedded 的更多信息，请订阅 Embedded 的每周电子邮件通讯。