智能物联网边缘应用需要低功耗解决

发布时间：2022-06-10 10:07:44 所属栏目：交互来源：互联网

导读：我们已经习惯了我们的设备变得更加智能，通过先进的音频和视频处理技术以及复杂的传感器来识别和解释语音和动作。说Hey Google或挥手，我们的设备不仅会做出响应，而且经常会提供他们受过训练的偏好。欢迎来到智能物联网边缘设备时代。这种演变的核心是越来

　　我们已经习惯了我们的设备变得更加智能，通过先进的音频和视频处理技术以及复杂的传感器来识别和解释语音和动作。说“Hey Google”或挥手，我们的设备不仅会做出响应，而且经常会提供他们受过训练的偏好。欢迎来到智能物联网边缘设备时代。

　　
　　这种演变的核心是越来越强大和复杂的机器学习技术，这些技术已被更广泛地采用，以使我们的系统更具上下文感知和响应能力。机器学习技术经过训练可以从一个或多个传感器（例如，麦克风、陀螺仪、相机）捕获的数据中识别某些复杂模式（例如，语音命令、人类活动、面部、行人），这带来了新的水平给我们的生活带来安全和便利。当感应到它被训练识别的模式时，设备可以做出相应的响应。例如，当语音命令“播放音乐”被识别时，智能音箱可以启动播放喜欢的歌曲。

　　更强大的神经网络和算法的出现使机器学习驱动的设备得以发展，这些设备无需明确编程即可学习。然而，机器学习实现更高的自动化和智能的承诺，特别是在消费设备或其他在边缘运行的应用程序中，受到功耗的限制。

　　低功耗挑战

　　现代物联网边缘设备虽然体积小，但必须支持一系列复杂的传感、通信和处理任务。挑战在于，许多物联网边缘设备都是电池供电的，并且功率预算很紧，或者有其他限制功耗的限制，这使得低功耗设计成为一个非常重要的考虑因素。

　　
　　机器学习：训练与推理

　　在机器学习中，两个主要功能对我们的智能设备很重要：训练和推理。训练从未经训练的模型开始，例如具有选定图形结构的多层神经网络。在这些神经网络中，每一层都将输入数据转换为输出数据，同时应用一组系数或权重。使用 Caffe 或 TensorFlow 等机器学习框架，使用大型训练数据集训练模型。结果是一个训练有素的模型，例如，一个神经网络，其权重被调整用于将输入数据分类为某些类别，例如上述可穿戴活动跟踪器中的不同类型的人类活动。

　　Inference 使用经过训练的模型来处理传感器捕获的输入数据，以推断它已被训练识别的复杂模式。例如，它可以检查输入数据是否与神经网络训练过的类别之一相匹配，例如活动跟踪器设备中的“行走”或“坐着”。在推断时，将训练好的模型应用于新数据，并且通常在现场执行推断。这就是低功耗变得尤为重要的地方，也是设计在边缘运行的物联网设备时的重要考虑因素。

　　
　　机器学习：低功耗设计

　　对于具有中低计算要求的机器学习推理（大部分消费物联网设备），选择合适的处理器是实现机器学习推理实现高效率的关键。具体来说，是否具有用于神经网络处理的正确处理器能力可能是满足低 MHz 要求（因此是低功耗）与否之间的区别。

　　有关如何在智能物联网设计中实现低功耗操作的更多详细信息，请下载我们的免费低功耗机器学习白皮书，该白皮书描述了在可编程处理器上高效实现机器学习推理。我们还提供了一个可编程处理器和一个相关的软件库，用于有效实施低/中端机器学习推理。

　　

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!