當(dāng) TinyML 小組最近召開成立大會時(shí)，成員必須解決一些基本問題，首先是：什么是 TinyML？

TinyML 是一個(gè)工程師社區(qū)，專注于如何在超低功耗系統(tǒng)中最好地實(shí)施機(jī)器學(xué)習(xí) (ML)。他們的第一次每月會議致力于定義問題。機(jī)器學(xué)習(xí)是否可以用于微控制器等低功耗設(shè)備？是否需要專業(yè)的超低功耗機(jī)器學(xué)習(xí)處理器？

Qualcomm AI Research 的 Evgeni Gousev 將 TinyML 定義為消耗 1mW 或以下的機(jī)器學(xué)習(xí) (ML) 方法。Gousev 表示，1mW 是智能手機(jī)中永遠(yuǎn)在線應(yīng)用的“神奇數(shù)字”。

“有很多關(guān)于云 ML 的討論，而智能手機(jī)級別的 ML 變得越來越復(fù)雜，”他說?！暗绻悴榭磾?shù)據(jù)，90% 的數(shù)據(jù)都在現(xiàn)實(shí)世界中。您如何連接所有這些相機(jī)、IMU 和其他傳感器并在該級別進(jìn)行 ML？”

“微型機(jī)器學(xué)習(xí)將變得龐大，迫切需要推動(dòng)微型機(jī)器學(xué)習(xí)的整個(gè)生態(tài)系統(tǒng)，包括應(yīng)用程序、軟件、工具、算法、硬件、ASIC、設(shè)備、晶圓廠和其他一切，”Gousev 說.

谷歌工程師 Nat Jefferies 出席首屆 TinyML 聚會（圖片：TinyML）

TensorFlow 精簡版

谷歌工程師 Daniel Situnayake 介紹了 TensorFlow Lite 的概述，這是谷歌 TensorFlow 框架的一個(gè)版本，專為包括微控制器在內(nèi)的邊緣設(shè)備而設(shè)計(jì)。

“TensorFlow Lite 一直以手機(jī)為目標(biāo)，但我們很高興能在更小的設(shè)備上運(yùn)行它，”他說。

在 TensorFlow 中構(gòu)建模型后，工程師可以通過 Tensor Flow Lite 轉(zhuǎn)換器運(yùn)行它，該轉(zhuǎn)換器“使其更小并執(zhí)行量化之類的操作，這使您可以將模型的大小和精度降低到合適的比例在你的目標(biāo)設(shè)備上，”他說。

Situnayake 描述了一種可用于提高電源效率的技術(shù)，該技術(shù)涉及將模型鏈接在一起。

“想象一個(gè)分類器的級聯(lián)模型，其中你有一個(gè)非常低功率的模型，幾乎不使用任何功率來檢測是否有聲音發(fā)生，然后另一個(gè)模型需要更多的能量來運(yùn)行，它會判斷它是否是人類語音，”他解釋道?！叭缓?，只有在滿足這些條件時(shí)才會喚醒一個(gè)更深層次的網(wǎng)絡(luò)，它會使用更多的電力和資源。通過將這些鏈接在一起，您只需在需要時(shí)喚醒[能源密集型]，因此您可以大大節(jié)省能源效率。”

Nat Jefferies 是 Google 的“微控制器 TensorFlow Lite”團(tuán)隊(duì)的工程師，他描述了現(xiàn)代消費(fèi)電子產(chǎn)品對能源消耗的嚴(yán)格要求的趨勢，盡管具有復(fù)雜的功能和復(fù)雜的傳感器系統(tǒng)。這些小工具可能使用需要持續(xù)數(shù)月或數(shù)年的電池運(yùn)行，或者使用能量收集。

“我們認(rèn)為最好的解決方案是 Tiny ML——在微控制器上進(jìn)行深度學(xué)習(xí)，”他說?！斑@使我們能夠進(jìn)行 CPU 周期和傳感器讀取，這 [不消耗太多功率]，而不是將所有信息發(fā)送到芯片外...... TinyML 可用于將傳感器數(shù)據(jù)壓縮成幾個(gè)字節(jié)，你然后可以發(fā)送……只需一小部分功率，”他說。

Jefferies 說，最近在谷歌挑戰(zhàn)中，參賽者開發(fā)了 250kbyte 的模型來進(jìn)行人員檢測，收到了許多令人印象深刻的提交，并“驗(yàn)證了我們所做的事情是有意義的”。

“目前，我們能夠?qū)?TensorFlow 模型縮小到可以將它們安裝在微控制器上的程度，這就是為什么現(xiàn)在是進(jìn)入這一領(lǐng)域的絕佳時(shí)機(jī)，”他說?！拔覀兒芨吲d能夠啟動(dòng)這個(gè)過程?！?/p>

谷歌在微控制器上的 TensorFlow Lite 路線圖包括開源谷歌的一些演示、與芯片供應(yīng)商合作優(yōu)化內(nèi)核、優(yōu)化 TensorFlow Lite 的內(nèi)存使用以在相同的設(shè)備上運(yùn)行更復(fù)雜的模型，以及支持更多的開發(fā)平臺（SparkFun Edge 是唯一的到目前為止支持的板，但 Arduino 和 Mbed 板支持即將推出）。

專業(yè)設(shè)備
為機(jī)器學(xué)習(xí)提供專業(yè)低功耗應(yīng)用處理器案例的是 GreenWaves Technologies 業(yè)務(wù)開發(fā)副總裁 Martin Croome。Croome 同意業(yè)界關(guān)于如何進(jìn)行超低功耗機(jī)器學(xué)習(xí)的討論遲到了。

“我們迫切需要更多地關(guān)注這一領(lǐng)域，無論是從算法的角度還是從我們的[硬件]世界，”他說。

GreenWaves 開發(fā)了一款 RISC-V 應(yīng)用處理器 GAP8，該處理器專注于邊緣設(shè)備的推理，功耗為毫瓦，并提供超低待機(jī)電流。該公司的目標(biāo)是電池供電的設(shè)備以及使用能量收集的設(shè)備（在我們之前的文章中了解有關(guān) GreenWaves 芯片如何工作的更多信息）。

多種技術(shù)用于降低功耗。這包括并行化，但不是為了加快速度；使用 8 個(gè)內(nèi)核以允許較慢的時(shí)鐘速度，這允許內(nèi)核電壓下降，從而節(jié)省能源（實(shí)際上，時(shí)鐘頻率是動(dòng)態(tài)調(diào)整的，取決于工作負(fù)載）。

該芯片面向卷積神經(jīng)網(wǎng)絡(luò) (CNN)，硬件加速器在單個(gè)時(shí)鐘周期內(nèi)對 16 位數(shù)據(jù)執(zhí)行 5×5 卷積（不包括回寫）。顯式內(nèi)存管理依賴于廣泛用于圖像處理的 CNN 的性質(zhì)；圖像傳感器是固定大小的，推理需要相同數(shù)量的權(quán)重，結(jié)果總是相同的大小。因此，一個(gè)工具可以在編譯時(shí)為所有數(shù)據(jù)移動(dòng)生成代碼。

Croome 承認(rèn)，足夠?qū)I(yè)化以有效處理 ML 工作負(fù)載，同時(shí)保持足夠的靈活性以響應(yīng)技術(shù)進(jìn)步是一個(gè)棘手的平衡。

“人工智能的范圍正在以令人難以置信的速度向前發(fā)展。今天關(guān)于如何做事的好主意可能不是明天的好主意，”克魯姆說?！叭绻覀冞^于專業(yè)化，我們將非常擅長加速每個(gè)人去年所做的事情，這對公司不利。因此，我們試圖平衡靈活性、可編程性和加速之間的差異?！?/p>

克魯姆說，GreenWaves 的芯片已經(jīng)打樣一年，將于本月開始生產(chǎn)，并將在第三季度末向客戶批量發(fā)貨。

TinyML 聚會于每個(gè)月的最后一個(gè)星期四在灣區(qū)舉行，向來自工業(yè)界和學(xué)術(shù)界的與會者開放。

審核編輯 黃昊宇