机器学习领域已经百花齐放了，为何还要搞个TinyML？
导读：今天介绍一种你没有玩过的机器学习船新版本，叫TinyML。ML我们都很熟了，而TinyML则是Tiny Machine Learning的缩写，直译为“微型机器学习”，是一种面向特定嵌入式产品的机器学习技术。面向哪种特定嵌入式产品呢？
作者：木羊同学
来源：华章计算机（hzbook_jsj）
1
下一波机器学习革命
先说回TinyML这个词，也许大家听着感觉耳生，国内对TinyML目前有点后知后觉，还只有零星的介绍。但在行业内，TinyML已经被视作一种具有特定意义的专业术语，而不只是某本书或者某个公司偶然提出来的概念性噱头。
我专门就这方面调查了一下，发现TinyML的行业化发展已经搞得有声有色。在工业界，TinyML已经成立了专门的行业委员会，定期举办TinyML峰会。在今年的TinyML峰会上，英伟达、ARM、高通、谷歌、微软、三星等等大公司悉数登台亮相，行业规模和影响力都可见一斑。在学术界方面，TinyML方向已经出版了一本经典的书，甚至有部分知名大学已经开设有相关的课程。
不过，这就有了问题。机器学习我们都知道，可究竟怎么样才能算作“Tiny”？而且，为什么要在已经百花齐放的机器学习领域，又另外搞出个TinyML来呢？这就要从深度学习的痛点说起。
2
深度学习的“大”问题
TinyML虽然挂了个“ML”名号，不过主要使用的是DL的技术，也就是主打深度学习模型。这个槽点我们姑且放过它，毕竟现在深度学习大行其道，但单叫DL又未免格局太小，没准明天又有其它哪款ML算法逆风翻盘了呢？
总之，TinyML目前的当家花旦就是深度学习模型，但是，转折来了，深度学习模型存在一个大问题，TinyML不能拿来就直接使用，必须先进行一些处理。
那么，深度学习存在什么大问题呢？
大，就是问题。深度学习模型采用的是神经网络结构，规模可以很大，而且正在越来越大。本来呢，深度学习模型规模大倒也不是什么问题，相反还是优势。回想一下，在深度学习流行以后，大家都很爱的一个问题，就是：深度学习为什么比其它机器学习模型效果要好？
这是个很好的问题。很多初学者会理所当然地以为，机器学习也像手机一样，新出来的性能必然要比老的好，深度学习是机器学习最新发展出来的技术，当然要比其它模型效果好。
这里面包含了几个误解。首先，深度学习不“新”。当然，深度学习确实是这几年崛起的新技术，但却不是这几年才横空出世。机器学习领域有几个经典算法，神经网络就是其中之一。而说深度学习是神经网络的继承而发展都未免太过生分了，深度学习就是神经网络加深了网络然后换了个皮，按我说，算是老树开新花。
哪个模型好哪个模型坏也是大家喜欢讨论的问题，其实，这个问题早有定论。机器学习领域有个著名的NFL定理(No Free Lunch Theorem) ，中文一般翻译为没有免费午餐定理。NFL定理包含了相当复杂的数学证明过程，不过简单来说，NFL定理给了我们一个非常清晰的结论：机器学习模型效果好不好，不是由模型本身决定的，而是看数据的具体情况。再简单一点，就是模型本身没有好坏。
既然是这样，那深度学习究竟好在哪里呢，又为什么会在这几年异军突起呢？
最常见的解释是这几年硬件发展了，高性能的硬件便宜了。这个回答不能说不对，但是显然忽略了主角。高性能硬件便宜了，对于所有算法应该都是同样的利好，为什么唯独是深度学习崛起了？很简单，深度学习模型有一个现在看来非常好的特性，这就是模型规模和模型性能保持了“水涨船高”的良好关系。随着深度学习模型规模的不断增加，模型的预测性能也能得到同步提升，简单来说就是正相关。相比之下，其它机器学习模型都没有这个特性，所以很容易达到性能瓶颈，需要费好大的力气找另外的路子才能提升。
为什么说这是一个现在看来非常好的特性呢？因为模型的规模越大，计算量也就越大，需要的计算资源成倍增加。以前硬件成本高，算力并不富裕，多买一杯秋天的奶茶都得扣着手指数半天。在这种算力有天花板的情况下，深度学习，准确来说，那时还叫神经网络模型的这种特性，并不会发挥出多大优势。但是时代变了，现在硬件白菜价了，算力四舍五入以后约等于无限量供应，那深度学习这种只要模型大，效果就能“奥利给”的硬派作风就变得非常讨人喜欢，所以“大力出奇迹”这种暴力美学已经成为现在学界的主流研究方向。
但是，深度学习的这一碾压性优势，到了TinyML领域，就变成了十足的劣势了。
3
Tiny的世界
前面我们简单提到，TinyML是面向特定嵌入式产品。我们对嵌入式产品会有一个一般性的印象：对耗电量十分敏感。在TinyML这里，耗电量的指标就变得更为苛刻了：功耗必须低于1毫瓦。
这是一个非常苛刻的指标，平时跑深度模型必不可少的各种豪横GPU挪一下屁股都得好几百瓦，肯定直接出局了，连很多以节能著称的嵌入式设备也严重超标，包括我们熟知的树莓派。树莓派人称极客玩具，特点就是功耗低。低到什么程度呢？可以忽略不计，所以经常有人开了就再也不关机，除非出现故障或者停电。但即使是树莓派这样的嵌入式设备，功耗也高达数百毫瓦，远远超过了TinyML的标准。
为什么TinyML要定下如此苛刻的标准呢？这和TinyML应用场景密切相关，这类场景主要有两个特点，第一个特点肯定是存在需要智能技术才能完成的任务，譬如说包含有图像识别、音频识别等等任务；第二个特点是需要长时间待机，所以必须能耗很低。很多研究认为，从当前智能设备、物联网设备和嵌入式设备等等的发展来看，TinyML应用场景的这两个特点会成为未来各种设备最基本的两项要求。
最典型的例子就是智能设备的唤醒，现在各种智能助手非常多，知名度最高的应属iOS的Siri，这些智能助手平时处于休眠状态，但只要我们说出特定的唤醒词，如“嘿Siri”，智能助手就马上在前台出现和我们交互。这个智能助手的唤醒过程，就是一个典型的TinyML应用场景，大致流程分三步：首先启动深度学习网络的音频识别任务，然后持续地捕捉环境音频传入模型，模型不断进行识别，一旦识别到唤醒词，则启动智能助手。
TinyML一般是部署在什么设备上的呢？大家可能看到开头的“嵌入式”就会下意识想到树莓派，以为TinyML是一种在树莓派上开发机器学习的技术，其实不是。树莓派功耗超标，没法用来开发TinyML。那用什么开发TinyML呢？一般使用超低功耗微控制器，这就是Tiny的由来。微控制器只能完成运算，而一些外围功能，譬如环境音的拾音功能，则需要搭配特定的传感器组件来完成，所以一般是通过开发板来使用微控制器，通常会选择另一款与树莓派齐名的网红嵌入式产品，叫Arduino。
4
TinyML下的深度学习
最难也是最有趣的地方终于要到了，怎么才能满足TinyML的要求，要在不到1毫瓦功耗的微控制器上部署深度学习模型呢？
先介绍部署深度学习模型的一般流程。要使用深度学习模型，第一步自然是需要训练模型，这一步实际包括三大项任务：收集数据，搭建模型以及使用数据训练模型。这三项任务是机器学习任务和深度学习任务的三个非常重要的环节，主要的任务时间就是用来完成这三项工作，内容很多，展开都可以分别写一本书，也是出研究成果的热门方向。
不过，对于TinyML来说，这三项虽然重要，但都属于常规动作，重头戏放在后边。但是，这里有一个问题。收集数据和搭建模型就不用说了，使用数据训练模型可是一件重体力劳动，尤其是训练深度学习的模型。前面我们说，深度学习模型有个现在来看非常好的特性，那就是模型规模和模型性能正相关，但是这也带来一个问题，模型的规模一旦大起来，计算量自然就要增加，虽然现在硬件便宜了，算力可以约等于无限量供应，但算力可也是需要电力来驱动的，这一连串的最终结果是，深度学习模型都一个接一个地成了业界有名的电老虎，譬如人称史上规模最大的GPT-3模型，一次训练成本就高达1300万美金。而TinyML要求的功耗不得超过1毫安，不但在能耗上上了紧箍咒，为了达到类似要求，相应的硬件资源，譬如内存等等，也会进行严格限制，所以，我们即使用小一点的深度学习模型，对于TinyML的小身板来说，也已经是庞然大物，想要在功耗如此低的设备上完成模型训练，必然是不可能的任务。
那怎么办呢？TinyML采取的办法是分离，模型训练这些重体力活还是照旧放到GPU上跑，没有了1毫安的紧箍咒，自然可以放飞了玩，只要最后把训练好的模型吐给我就行。所以对于TinyML来说，第一步是载入模型。
载入模型本身很简单，写成代码的话也就几行完事，不过可能准备工作反而比较多。首先，我们的模型是在通用平台上训练，而最终需要在微控制器上使用，模型运行的环境有所不同。目前，业界在嵌入式深度学习方面，名气最大的工具当数Google推出的TensorFlow Lite，是深度学习两大阵营之一的TensorFlow的嵌入式版本。TensorFlow Lite针对嵌入式平台进行了专门的优化设计。不过，对于微处理器来说，要完全支持TensorFlow Lite还是太难了，于是Google又推出了TensorFlow Lite for Microcontrollers，也就是微处理器版的TensorFlow Lite。
要通过TensorFlow Lite for Microcontrollers载入使用TensorFlow训练的模型，需要考虑平台之间存在差异的问题，譬如运行模型需要全套的算子，而TensorFlow Lite只支持TensorFlow的部分算子，这就可能需要做一些额外的处理才能让模型正常跑起来。
载入模型之后，接下来就流程就和我们前面介绍的基本一致，把微处理器和传感器打通，把外部数据传给模型，最后吐出结果。不过因为TinyML设备的硬件资源捉襟见肘，尤其是内存，可能还需要做一些额外的调整工作。
TinyML很可能是机器学习下一波的爆发点，当然各种技术细节也很多，要想更系统地了解这方面内容，我推荐阅读《TinyML:基于TensorFlow Lite在Arduino和超低功耗微处理控制器上部署机器学习》。这是目前我看到市面唯一一本专门介绍TinyML的书，同时也是一本新书，2019年出的英文版，2020年就出了中文版，机工华章社跟进非常快，点个赞！这本书是TinyML领域当前最有名气的一本书，极具权威性，作者Pete Warden就是TensorFlow Lite开发团队的核心成员，对于TinyML和如何开发TinyML产品，有许多具有指导性的观点。这本书还由浅入深并且安排了许多实践案例，特别适合作为了解TinyML和进入这一领域的第一本书。
5
推荐阅读
01
《TinyML：基于TensorFlow Lite在Arduino和超低功耗微控制器上部署机器学习》
作者：（美）皮特•沃登（Pete Warden）
（美）丹尼尔•西图纳亚克（Daniel Situnayake）
译者：魏兰，卜杰 译 王铁震
ISBN：978-7-111-66422-2
卖点：
1）内容过硬。谷歌TensorFlow团队创始成员领衔撰写，谷歌工程师翻译并审校；
2）大咖推荐。Arduino联合创始人、Arm副总裁联袂推荐；
3）题材新颖。TinyML里程碑级著作，手把手教你在Arduino和微控制器上部署ML；
4）知识体系完善。适合各层次学生及从业人员，无需任何机器学习或者微控制器开发经验。
推荐语：
谷歌TensorFlow团队创始成员领衔撰写，谷歌工程师翻译并审校，Arduino联合创始人、Arm副总裁联袂推荐！TinyML里程碑级著作，手把手教你在Arduino和微控制器上部署ML。“美亚”嵌入式系统畅销榜首图书。
02
《移动传感器与情境感知计算》
作者：[美] 玛尼什· J.贾加（Manish J. Gajjar）
译者：陈彦如 张媛媛 陈良银
ISBN：978-7-111-63300-6
卖点：
结合移动计算领域的知识，展示了创新的移动和传感器解决方案，为各类平台提供了增强型个性化的用户体验，其中包括快速增长的移动健康领域和虚拟现实领域。通过阅读本书，你将了解移动和传感器融合如何促进信息物理系统和物联网的发展，以及与物理世界直接交互的应用，书中全面涵盖了平台组件和安全、隐私、电源管理以及与更广泛的生态系统的交互等关键问题。
推荐语：
Intel技术专家撰写，基于移动计算的传感器生态系统架构指南，涵盖不同行业的应用实例。
03
《移动平台深度神经网络实战：原理、架构与优化》
作者：卢誉声
ISBN：978-7-111-64100-1
卖点：
（1）业界专家联袂推荐，资深专家手把手教你开发移动平台人工智能系统
（2）精讲移动平台深度学习系统所需核心算法、硬件级指令集、系统设计与编程实战、海量数据处理、业界流行框架裁剪与产品级性能优化策略等
推荐语：
谷歌、华为，ARM专家及C++专家侯捷联袂推荐！AIoT时代来临，移动平台正在成为工业实践最重要的阵地！这本书手把手教会你如何把智能装进移动端，开发移动平台人工智能系统解决方案，不止分享知识，还完整呈现深度学习的学习路径！让你的学习之路有方向，不迷茫！
6
关于作者
莫凡，网名木羊同学。娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者，擅长高冷技术的“白菜化”解说，微信公众号“睡前机器学习”，个人知乎号“木羊”。
扫码关注作者
更多精彩回顾
书讯 |10月书讯（下）| 双节同庆，读书正当时
书讯 |10月书讯（上）| 双节同庆，读书正当时
资讯 |DB-Engines 10月数据库排名：“三大王”无人能敌，PostgreSQL紧随其后
上新 | 百度官方出品 | 全面解读PaddlePaddle，零基础快速入门深度学习
书单 | 开学季——计算机专业学生必读的10本畅销经典
干货 | 数据分析必读干货：简单而实用的3大分析方法
收藏 | （万字长文）Spring的核心知识尽揽其中
视频 | 大佬出镜推荐不可不读系列——程序员陈彼得
赠书 | 【第26期】Coroutines（协程）我是这样理解的！
点击阅读全文了解更多好书