嵌入式AI的应用

cdhqyj

将AI用于嵌入式应用程序的吸引力显而易见，例如，使用face-id来授权对工厂车间机器控制的访问。面部识别，语音控制，异常检测以及AI带来了无限可能。在本博客中，我将以face-id为例。与传统的人机界面和密码相比，它更易于使用，更智能，更强大。更不用说其他所有人都在这样做。人工智能的工作原理似乎很神奇，但是它可以做的很快成为人们的最低期望。没有人愿意根据昨天的技术透明地评估产品。

挑战

将AI用于嵌入式产品制造商有一个问题。基于AI的开发与标准嵌入式开发完全不同。至少对于核心功能，您不是在编写软件。您必须像训练孩子在学校一样，训练一个神经网络来识别模式（例如图像）。然后，您必须将该网络优化到嵌入式设备的有限空间，以满足尺寸和功耗目标。神经网络可能不是常规代码，但是神经网络及其计算仍会消耗内存和刻录功率。作为嵌入式开发人员，您知道尽可能地挤压这些指标非常重要。我将在下一个博客中找到相关内容。现在，让我们至少了解一下这些神经网络如何工作。

基础

我不想为您详细介绍神经网络。这是使应用程序正常运行所必须要做的。神经网络在概念上是一系列“神经元”层。每个神经元从上一层或输入数据中读取两个（或多个）输入，使用经过训练的权重应用计算并前馈结果。基于这些权重，图层会随着您在图层之间的移动而逐渐复杂化，最终在输出处识别出复杂的图像。

然后，第一个聪明的部分是设计网络-多少层，各层之间的连接等等-核心神经网络算法。第二个聪明的部分是训练。在此过程中，许多图像通过网络运行，并带有标签以标识应识别的内容。这些运行建立了识别所需的权重值。

如果您有雄心壮志，则可以从头开始为TensorFlow等标准网络之一构建自己的神经网络。您也可以从诸如face-id的开源选项开始。您可以将所有这些内容构建到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面孔的客户来说非常方便。现在，您可以开始使用一组经过批准的面部姿势测试集来训练您的网络。

为什么不只是在云中这样做呢？

有些服务可以在线进行人脸识别-无需进入设备上凌乱的AI。只需拍摄照片，然后将其上传到云中，应用程序就会传回OK，您的产品将批准下一步。

但是–您所有经过批准的员工都需要将其照片和其他凭据存储在云中。也许对于安全性和隐私性来说并不是一个好主意。每当工人想要访问机器时，您将消耗大量的精力将图像传送到云。而且，如果您的Internet连接断开，则在恢复连接之前，任何人都无法批准。在设备上进行正确的身份验证可保护隐私和安全性，降低电源需求，即使网络连接断开也可以继续工作。