i.MX RT助您跨界AI ——1. 开篇大吉

eefishing

各位看官大家好，这是”i.MX RT助您跨界AI”连载系列的开篇，小编在这里有礼啦！在这个连载中，我们一起踏上i.MX RT的人工智能之路，Let's GO !

---

近两年，人工智能，也就是AI，一方面，红遍了大江南北，改变着每个人的生活；另一方面，AI似乎又常常显得高不可攀，仿佛只是在巨头的机房里蹦跶的怪兽，似乎离MCU的世界很遥远呢！

其实，AI并不新鲜，前驱概念的研究已经有百余年了，很多实践就是在比MCU性能还弱的古董级计算机上完成的。

AI有很多实现方法，AI的应用浩如烟海，不同应用所需要的系统资源也有天壤之别。这之中就有一部分落在MCU所能涉及的范围。而随着i.MX RT系列跨界处理器的横空出世，更是把AI的新宠——深度神经网络的不少应用场景轻松玩转。

作为实例，大家可以回顾OpenMV RT上识别10类物体的视频：视频展示——让机器视觉在i.MX RT上起飞。

如果说i.MX RT出现之前，MCU上的AI之路是条羊肠小道，那么i.MX RT的出现，凭借其超高的性能和集成度，则把它拓宽成了能通车的康庄大道！扛起i.MX RT大旗，MCU玩跨界AI正当时！



不过，到底为什么这么想弄AI，它都有哪些“神奇”的技能呢？其实，说神奇也平凡。神奇在于传统的算法往往力不从心，平凡在于人类做起来常常小菜一碟。且看下面五大技能：






实现AI的方法有很多种，看下图，是不是有很多似曾相识的字眼呢：



看图说话：机器学习(ML)是实现AI的一种方法；神经网络(NN)又是ML的一类算法。时下AI在音视频应用中大放异彩的深度学习(DL)就是基于NN实现的。NN有很多种拓扑结构，而这其中卷积神经网络(CNN)及其一众近亲，又因其优异的性能和广泛的应用而得到最到位的硬件加速支持。OpenMV RT中的10类物体识别就是基于CNN实现的。


下图从另一个角度展示了实现AI的3种方法：



最早的AI系统是基于规则的专家系统。所谓规则，可以简单地理解为一大堆if – then -else。这些规则是听从专家的意见手写的代码。从这个角度上，我们一直在做AI——只要用户认可我们做的东西是有智能的。专家系统的性能容易出现天花板，一个重要原因是很多经验只可意会难以言传。

后来，机器学习(ML)的出现，使我们不必再直接写规则，而是从数据中提取出一些指标或者说是特征，结合各特征的强度与重要性，就可做出预测或判断。不过，选定并提取特征是个需要反复推敲的技术活+体力活。

再后来，深度学习(DL)把提取特征的工作也接管了，通过多个神经网络层，一点点提炼出高级的特征。打个形象的比方，在做人脸识别时，从像素>线条>轮廓>五官。因此，深度学习进一步解放了人类的双手。但是，天上不会掉馅饼，作为代价，DL需要远远更多的数据来提炼出特征来。这也是大数据时代大量手机app不惜代价地收集用户信息的一个重要原因。

在接下来的部分，我们就主要讨论基于DL实现的AI以及它们在i.MX RT上的使用。那么，AI是怎么样应用到像i.MX RT这样的微控制器类平台上的呢？继续阅读下期——AI与系统的集成>>



文章出处：恩智浦MCU加油站

阅读全文

eric_bestmyself

和研讨会讲的内容差不多呀！