|更大的模型并不总是更好的模型，微型机器学习将是未来的方向( 二 )

潜伏。对于标准IoT设备（例如Amazon Alexa），这些设备将数据传输到云中进行处理，然后根据算法的输出返回响应。从这个意义上讲，该设备只是通向云模型的便捷网关，就像您自己和亚马逊服务器之间的信鸽。该设备非常笨拙，完全取决于互联网的速度才能产生结果。如果您的网速较慢， Amazon Alexa也会变慢。对于具有机载自动语音识别功能的智能IoT设备，由于减少了对外部通信的依赖（如果不是这样），因此可以减少延迟。
这些问题导致了边缘计算的发展，即在边缘设备（位于云''边缘''的设备）上执行处理活动的想法。这些设备在内存，计算和功能方面都受到资源的高度限制，从而导致了更高效的算法，数据结构和计算方法的发展。
此类改进也适用于较大的模型，这可能导致机器学习模型的效率提高几个数量级，而不会影响模型的准确性。
例如， Microsoft开发的算法可以小到2 KB ，但比典型的40 MB kNN算法或4 MB神经网络具有更好的性能。这个结果听起来可能并不重要，但是在尺寸的1/10万分之一的模型上，相同的精度令人印象深刻。如此小的模型可以在具有2 KB RAM的Arduino Uno上运行，总之，你现在可以在5美元的微控制器上构建这样的机器学习模型。
我们正处于一个有趣的十字路口，机器学习在两个计算范式之间分叉：以计算为中心的计算和以数据为中心的计算。在以计算为中心的范例中，数据是通过数据中心中的实例进行存储和分析的，而在以数据为中心的范例中，处理是在数据的原始位置进行的。尽管我们似乎正在迅速迈向以计算为中心的范例的上限，但是以数据为中心的范例的工作才刚刚开始。
物联网设备和嵌入式机器学习模型在现代世界中变得越来越普遍（到2020年底，预计将有200亿以上的活动设备）。其中许多你甚至可能都没有注意到。智能门铃、智能恒温器、智能手机，只要你说几句话，甚至只是拿起电话，都可以''唤醒'' 。本文的其余部分将更深入地关注tinyML的工作方式以及当前和将来的应用程序。

本文插图
云的层次结构
TinyML的例子
以前，复杂的电路是设备执行各种动作所必需的。现在，机器学习使将这种硬件''智能''抽象为软件变得越来越可能，从而使嵌入式设备变得更加简单，轻巧和灵活。
嵌入式设备的机器学习所面临的挑战是巨大的，但是在这一领域已经取得了巨大的进步。在微控制器上部署神经网络的关键挑战是低内存占用，有限的功率和有限的计算。
TinyML最明显的例子也许是在智能手机中。这些设备会永久地积极聆听''唤醒词''
例如Android智能手机的'' Hey Google''或iPhone的'' Hey Siri'' 。通过智能手机的主中央处理器（CPU）运行这些活动，现代iPhone的主中央处理器（CPU）为1.85 GHz ，将在短短几个小时内耗尽电池。对于大多数人每天最多使用几次的这种程度的降级是不可接受的。
为了解决这个问题，开发人员创建了专用的低功耗硬件，该硬件可以用小电池（例如，环形CR2032''硬币''电池）供电。这些功能使电路即使在CPU未运行时（基本上在屏幕不亮时）也保持活动状态。
这些电路消耗的功率仅为1 mW ，使用标准CR2032电池可供电长达一年。
看起来好像不对，但这很重要。能量是许多电子设备的限制因素。任何需要主电源的设备都限于带有布线的位置，当同一位置有十几个设备时，这些位置很快就会变得不堪重负。市电也效率低下且价格昂贵。将电源电压（在美国大约为120 V）转换为典型的电路电压范围（通常约为5 V）会浪费大量能量。拥有笔记本电脑充电器的任何人在拔出充电器时都可能知道这一点。充电器内部变压器产生的热量在电压转换过程中被浪费掉了能量。