人工智能的开拓与标准嵌入式开拓有很大不同。你不是在写软件，至少是为了核心功能。你必须演习神经网络来识别模式（比如图像），然后，你必须优化该网络，以知足嵌入式设备有限的占地面积，从而达到尺寸和功率目标。神经网络可能不是传统的代码，但网络及其打算仍旧花费内存和能量。作为一名嵌入式开拓职员，你知道尽可能多地压缩这些指标是多么主要。现在让我们至少理解一下这些神经网络是如何事情的。
根本
神经网络在观点上是一系列“神经元”层。每个神经元从前一层读取两个（或更多）输入或输入数据，利用演习好的权重进行打算，并反馈结果。基于这些权重，层检测特色，当你在层中移动时，特色会逐渐变得更繁芜，终极在输出端识别出繁芜的图像。
第一个聪明的部分是设计网络——有多少层，层与层之间的连接等等——核心神经网络算法。第二个聪明的部分是演习。这是一个过程，在这个过程中，许多图像在网络中运行，并通过标签识别该当识别的内容。这些运行建立了识别所需的权重值。
与嵌入式开拓不同的是，在人工智能的开拓中，你可以从零开始构建自己的神经网络。你也可以从一个开源选项开始，比如这个face-id选项。你可以将所有这些都构建到一个可以在条记本电脑上运行的运用程序中，这对付想要注册新的核准面孔的客户来说非常方便。现在，你可以开始在多个姿势中利用一组经批准的人脸测试集来演习你的人际网络。
为什么不在云端做呢？
有一些做事可以在线进行人脸识别——无需在你的设备上利用缭乱的人工智能。只需拍下照片，上传到云端，运用程序就会传回一个OK，你的产品就会批准下一步。
但是–所有得到批准的员工都须要在云中保存他们的照片和其他凭据。对付安全和隐私来说，这可能不是一个好主张。每当事情职员想要访问机器时，将图像传输到云端会花费大量的能量。如果你的互联网连接断开了，在它规复之前，任何人都不能被批准。在设备上实行精确的身份验证可以保护隐私和安全，保持较低的电源需求，纵然在网络连接断开时也可以连续事情。
现在你已经完成了人工智能的硬部分，你必须将其下载到你的设备上。这本身便是一个有趣的步骤，你肯定须要AI平台的帮助。在把 AI 技能支配于终端设备的过程中，嵌入式开拓技能至关主要。大略来说，这一过程须要对芯片进行全方位考量以评估芯片的性能，然后根据神经网络算法做分外化处理，无缝对接嵌入式设备的能力。既没有摧残浪费蹂躏运算单元，又最大程度地表示算法的精度，这是一个艺术活，也是技能活。
理解更多