我们每天在能够在其内部运行机器学习模型的电子设备中使用2500亿微控制器。不幸的是,这些微控制器中的大多数在计算资源(例如内存使用情况或时钟速度)方面受到了高度限制。这些与使用基本计算机在教学和运行机器学习模型中起关键作用的资源完全相同。但是,在微控制器环境中,有限的资源构成了重要的区别。因此,必须创建一种称为微型机器学习的新范式,以满足嵌入式设备的约束要求。在这篇综述中,我们讨论了可用于克服这些资源不同崇拜的微小机器学习和不同方法的资源优化挑战。此外,我们总结了微小的机器学习框架,库,开发环境和工具的当前状态。微型机器学习设备的基准测试是另一件事。微控制器的这些相同约束以及硬件和软件的多样性转向基准挑战,在嵌入式设备之间可靠地测量性能差异之前,必须解决这些挑战。我们还讨论了新兴技术和方法,以增强和扩展微小的机器学习过程并提高数据隐私和安全性。最终,我们就微型机器学习及其未来的发展做出了结论。
主要关键词