边缘AI

1. 边缘 AI 概述

1.1 什么是边缘 AI

边缘 AI 是将 AI 推理部署在边缘设备上，实现本地数据处理和决策，减少对云端的依赖。

1.2 边缘 vs 云端

1.3 应用场景

2. TinyML

2.1 概述

TinyML 是在微控制器（MCU）上运行机器学习的技术，目标是在功耗 < 1mW 的设备上实现 AI 推理。

2.2 资源约束

2.3 典型任务

3. 模型压缩技术

3.1 量化

INT8 量化原理：

$q=\text{round}\left(\frac{r}{S}+Z\right)$

其中 $r$ 为浮点值，$S$ 为缩放因子，$Z$ 为零点。

3.2 剪枝

3.3 知识蒸馏

教师模型（大）→ 软标签 → 学生模型（小）

学生模型同时学习硬标签（真实标签）和软标签（教师输出），获得更好的性能。

3.4 架构搜索（NAS）

自动搜索适合边缘设备的网络架构，如 MobileNet、EfficientNet-Lite。

4. 边缘推理框架

4.1 TensorFlow Lite Micro

#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/micro/micro_mutable_op_resolver.h"

// 模型
const tflite::Model* model = tflite::GetModel(g_model_data);

// 操作解析器
tflite::MicroMutableOpResolver<10> resolver;
resolver.AddConv2D();
resolver.AddDepthwiseConv2D();
resolver.AddFullyConnected();
resolver.AddSoftmax();

// 解释器
constexpr int kTensorArenaSize = 60 * 1024;
uint8_t tensor_arena[kTensorArenaSize];

tflite::MicroInterpreter interpreter(model, resolver, tensor_arena, kTensorArenaSize);
interpreter.AllocateTensors();

// 推理
float* input = interpreter.input(0)->data.f;
// 填充输入数据
interpreter.Invoke();
float* output = interpreter.output(0)->data.f;

4.2 框架对比

4.3 硬件加速

5. 端侧智能应用

5.1 语音唤醒

麦克风 → 预处理 → MFCC 特征 → DSCNN → 唤醒词判断

5.2 视觉检测

摄像头 → 图像预处理 → MobileNet → 分类/检测

5.3 异常检测

传感器 → 特征提取 → AutoEncoder → 重构误差 → 异常判断

6. 开发流程

1. 数据采集与标注
2. 模型训练（云端）
3. 模型压缩（量化+剪枝）
4. 模型转换（TFLite/ONNX）
5. 边缘部署与优化
6. 持续学习（可选）

6.1 模型转换

# TensorFlow → TFLite
import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_saved_model('model')
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

# 生成 C 数组
xxd -i model.tflite > model_data.cc

6.2 性能优化