摘 要：介绍ML，特别是ML怎么从云渗透到网络的边际。
关键词：人工智能；机器学习；边际；Cortex-M
人工智能(AI)及其子集机器学习(ML)均代表着人类生计的重要开展里程碑。尽管人们仍然在争辩一些品德问题，但AI和ML所供给的潜在优点真实令人难以抵抗。
AI是一个十分广泛的主题（如图1），在这儿具体介绍ML，特别是ML怎么从云渗透到网络的边际。
1 什么是机器学习？
“机器能够考虑吗？”这个问题促进巨大的科学家Alan Turing开发了“图灵测验(Turing test)”，今日这仍然是答复这个问题的基准。假如机器能够学习，那么他们在考虑有必要证明事项(QED)吗？这仍然是关于“考虑”界说的许多争辩的主题。机器需求一个开端学习的根底，不过跟着时刻的推移，它们正在进行自主学习并开展出更强的理解才能。
真实引发ML爆破的是云核算和大数据中简直无限的容量和拜访。后端体系能够供给数据，然后在云服务器上运转算法。从云，咱们能够取得见地并做出决议计划。 因而，ML搜集数据，经过依据云的算法和练习集处理数据，而且采纳举动。ML在整个进程中创立新的学习途径，人手操作并非肯定必要。
ML有4类操作：监督学习、无监督学习、半监督学习和强化学习。
1）监督学习。监督学习运用带有特征和符号的数据集，然后在练习进程中将其供给给学习算法，其间，ML将会弄清楚所选特征与标签之间的联系。然后，人们运用学习成果对新的未符号数据进行分类。
2）无监督学习。当不知道正确答案是什么时，就会发生无监督学习，因而数据集是未经符号的。在这种情况下，估计会找到数据自身所标明的天然分组的形式。答案并不显着。此外，正确答案或许有许多组合，这取决于所考虑的变量。
3）半监督学习。关于仅有部分符号的大型数据集能够做些什么呢？要么完结符号其他数据的进程，要么测验运用半监督学习算法。许多实践国际的机器学习问题都归于这种类型，由于将整个数据集进行符号然后进行彻底监督学习的办法一般过于贵重和耗时。另一方面，或许不必定需求无监督学习办法。因而，经过结合这两种学习办法，理论上应该能够供给一举两得的优势。研讨标明，一同运用符号和未符号数据实践上供给了最佳的学习长时间成果。
4）强化学习。强化学习是最杂乱的办法，这与人类实践学习的办法最类似，这种杂乱的学习办法遭到博弈论和行为心理学的启示。
这种学习办法一般触及署理、正在进行操作的机器和解说器，署理将会露出于履行操作的环境中，然后，解说器将依据该操作的成功与否来奖赏或赏罚署理。
署理的方针是经过以不同的办法与环境迭代交互，然后找到最大化奖赏的最佳办法，数据科学家在这种学习办法仅有为署理供给的，便是量化绩效的办法。
这种办法已被许多开发机器人和自动驾驶车辆的企业所选用。它一般与监督学习等其他学习技能一同布置，创立一个调集学习模型。这是由于很难将强化学习运用于环境、举动和规矩改变的场景。
2 数据分组和分类
所获取的数据需求分类为相关的方针，二项分类是指数据分为两类中的一类，例如：“在温度规模内”和“超出温度规模”。多级分类则答应多种分类，例如关于温度分类，它能够读作：“在规模内”、“关断高”、“临界高”、“高警报”、“低警报”、“临界低”和“关断低”。
反常检测是单一类型分类算法，其仅有方针是查找数据会集的反常值或出现在正态分布之外的反常方针。这可用于检测毛病设备中的古怪瞬变之类事情。
3 学习模型
1）线性回归
这项技巧长时间以来一直是统计学家的首要东西，而数据科学和统计学在各个范畴都具有许多的类似之处。线性回归现已运用于机器学习，作为在自变量改变时显现因变量和自变量之间联系的规范办法。
学习办法：监督学习（如图2）。
2）决议计划树
这种算法具有很高的可解说性，能够很好地处理反常值和缺失调查成果。能够将多个决议计划树协同作业以创立称为独奏树的模型。独奏树能够进步猜测准确度，一同在必定程度上削减过度拟合。
学习办法：监督学习（如图3）。
3）支撑向量机
支撑向量机(SVM)一般用于分类，但也能够转换为回归算法。经过找到最佳超平面(不同数据类型之间的区分)，SVM便能够在分类问题上带来更高的准确度。为了找到最佳超平面，这个算法将在数据类型之间制作多个超平面。然后，算法将会核算从超平面到最近向量点的间隔，一般称为余量。然后，它会挑选运用发生最大余量的超平面，即最优超平面。最终在分类进程中运用最优超平面。
学习办法：监督学习（如图4）。
4）K-Means聚类算法
K-Means聚类算法用于查找数据点之间的类似性并将它们分类为多个不同的组别，K是组别的数量。
学习办法：无监督学习（如图5）。
5）分层聚类
分层聚类是沿着分层树来创立已知数量的不同巨细的堆叠群集以构成分类体系，这种聚类算法能够经过各种办法来完结，最常见的办法是凝集和割裂。重复割裂进程，直到取得所需数量的群集。
学习办法：无监督学习。
6）神经网络算法
神经网络（NN）与机器人和神经科学高度相关，因而，它天然成为最令人兴奋的探究算法。神经网络，特别是人工神经网络，由3个层级组成：输入层、输出层和一个或多个躲藏层，用于检测数据中的形式，经过在每次处理一组数据时为躲藏层内的神经元分配权重来完结。
学习办法：无监督学习（如图6）。
4 将机器学习带到网络边际
那么，咱们现在关于ML终究是什么有了一点根底，这与在遍及遍地的数十亿个产品中的小型嵌入式单元里的微控制器(MCU)有什么联系呢？
当ML科学以日新月异的速度快速开展时，其功率也相应进步，ML的调整元素也适用于越来越多用例。那些从前不得不在云完结的作业，现在已有或许在具有1 MB闪存和256 kB RAM的MCU，比方来自Nordic的nRF52840 SoC上完结了。没有人说应当在这类空间受限设备中这么做，但它已被证明是可行的，而一流的无线嵌入式SoC具有更大的处理才能，ML东西和算法更适用于这样的渠道。这当然存在着局限性，nRF52840之类器材永久无法及得上依据云的体系的肯定优势。可是，它能够做到在没有云衔接的情况下履行实时的本地化的专用机器学习。当然，它能够与依据云的体系(如Matillion或许多其他体系)结合运用，以供给具有许多优势的混合ML学习办法。
5 用于嵌入式Cortex-M MCU的ML东西
现在有某些东西能够为ML创立学习集 。Tensorflow与其相关的Tensorflow Lite或许是最广为人知的东西。这款东西是谷歌开发的，是为ML用处规划的开源库结构。谷歌将其用于自己的人工智能用处，具有满足强壮的图像辨认功用。作业流程沿用运用python和程序库来构建模型和练习集的多个阶段。然后，Tensorflow将生成在设备或体系上施行的C++代码。用户可从Apache MXNET、Microsoft CNTK和Pytorch获取其他ML程序库。
6 现在开展情况和未来展望
迄今为止，ML仍然是一个前沿范畴，还有许多的路途要走。但笔者以为，估计未来数年咱们将看到ML出现在很多的嵌入式体系中，有些是适当浅显的，有些是十分杂乱的。声响和语音辨认运用明显具有吸引力，机器中的音频辨认也是如此。在这些机器运用中，能够经过音频辨认发现轴承或电机或许挨近运用寿命，并需求替换。
就在2019年的Google I/O 2019活动中，Arm和谷歌宣告针对Tensorflow Lite和 μTensor项目树立协作伙伴联系，这些项目将在Tensorflow Lite Micro Project下进行兼并。现有一个在Arm mbed上运用ML进行关键词查找(KWS)的开源项目 [1] ，假如你有爱好，请在这儿检查。
机器学习的开展如日中天，日后咱们会持续为你更多有关Cortex-M和Nordic器材之ML运用的信息。
参考文献
[1]ML-KWS-for-MCU[EB/OL].https://github.com/ARM-software/ML-KWS-for-MCU/blob/master/Deployment/README.md
本文来源于科技期刊《电子产品国际》2019年第10期第27页，欢迎您写论文时引证，并注明出处。
