本文摘要：近几年AI的发展「边缘运算」（EdgeComputing）更加热门。随着硬件芯片的性能提高，让以往不能作为「接管」功能的端口也能用作帮助运算，使AI运作更加有效率；例如自动煞车系统、智能音箱等，都是边缘运算的实际应用于。本文跟大家解析MCU在AI边缘运算中的应用于。 MCU，机器学习的另一种自由选择在转入边缘运算之前，再行来理解一下何谓MCU？说道到机器学习（MachineLearning）时，你不会误解到什么呢？是电影中那种极大且章太炎主机的舱房吗？

近几年AI的发展「边缘运算」（EdgeComputing）更加热门。随着硬件芯片的性能提高，让以往不能作为「接管」功能的端口也能用作帮助运算，使AI运作更加有效率；例如自动煞车系统、智能音箱等，都是边缘运算的实际应用于。本文跟大家解析MCU在AI边缘运算中的应用于。

MCU，机器学习的另一种自由选择在转入边缘运算之前，再行来理解一下何谓MCU？说道到机器学习（MachineLearning）时，你不会误解到什么呢？是电影中那种极大且章太炎主机的舱房吗？但运用这种方式不仅需消耗大量电力，所废气的废热堪称难以置信，能使数个国家级的游泳池从冷水变为温水！传统的机器学习必须数量可观的主机然而，只不过机器学习（MachineLearning）有更加节约能源的方式—也就是利用MCU。MCU的优缺点较为MCU（Microcontrollers）不具备其他硬件所没的优点，比如体积小、价格便宜、省电等，这些特性可为可选的系统降低成本。因此，未来若想让AI应用于在生活的各层面，MCU毫无疑问是最佳自由选择。

不过目前市面上的大量运算装置，大多专心于CPU、GPU，或类似于超级计算机的云端（Cloud）。但是MCU在效能展现出比较低下，因此目前要将MCU应用于AI运算，显然还有艰难。各类硬件运算效能较为为了使MCU能于生活的各个面向继续执行AI运算与应用于，一些行业专家，融合各种MCU优缺点，研发出有开源项目uTensor，也就是想要发展一套基于mbed的精简版TensorFlow框架，构建MCU边缘运算的目标，目前已作出手写辨识的Demo。边缘，现实与虚拟世界的交界首先来定义Edge，所谓的「边缘」，只不过是虚拟世界与现实世界的交界边缘（Edge）。

从物联网（IoT）到MCU全都归属于数字的范围，而数字认识将近的地方，则是现实世界。目前在现实世界中，还有许多信息无法被上传遍数字的虚拟世界，因此两者之间的支架，就是「边缘」。但问题来了：该如何将现实世界中数量可观的信息相连到物联网呢？必需部署好几万个感测节点（sensornode）才能达成协议；但是，并不是每个人、每个环境都不具备WiFi、4G／5G等通讯协议反对，那么该如何做到？有行业人士指出，LPWAN的LoRa就是最佳自由选择。

如同右图所转身的发讯塔，如果放到城市大楼的顶端，那么网络的覆盖率超过一、二十公里决不是问题，虽然比特率（birate）不低，距离就越宽递增就越相当严重，但长距离覆盖面积与功耗极低的特性，非常合适当作展开IoT的传输。LoRa的发讯特性那么，另外还有那些合适边缘运算的通讯协议呢？必须从以下两点来审视：首先电力与比特率是首要考虑到，忘了是传输距离长短。

因为边缘运算的理想状态，就是能依赖电池或太阳能供电；比特率则自由选择长距离、低功耗的LPWAN，在这样的自由选择时所画出的扇形图（如下图），即为边缘运算可运用的通讯区块。通讯协议之电力与比特率较为问题是，此区块中的传输效能不欠佳，看起来音频、视频等类型的数据不有可能上传遍云端展开运算，因此该如何设计边缘运算，还必须经过细心的思维揣摩。利用编码与译码，继续执行边缘运算目前有一种解决方案是利用人工神经网络（NeuralNetwork）将原先的信息编码（encode）、传输，增大其容量，使其能于LPWAN环境下传输到云端，再行展开译码（decode）。因为若将编码、译码集中在MCU装置与云端上分别处置，MCU本身就不必须处置或传输过分可观的数据；另一个益处是，解碼的云端利用迁入自学（TransferLearning）更换更为更容易，利用某种程度的装置，之后能在云端转换出有有所不同的应用于。

迁入自学的运作示意图小结总结上文可以找到，即使科技发展大大执着效能与硬件的展现出，但未来最必须的关键词依然是「可持续」；即使超级计算机的运算能力再行卓越，若无法有效地普及于日常生活之中，其发展性仍然不会受到局限。反观MCU与边缘运算，虽然于现阶段都还不存在容许，但随着技术的持续发展，坚信在此领域中不存在相当大空间。

本文关键词：趋势,MCU,在,边缘,运算,中的,运用,近几年,的,米乐m6

本文来源：米乐m6-www.sclhdkj.com