边缘计算综述

文章目录

• 优势
• 发展
• 边缘计算模型训练
• 模型推断
• 现状及展望

边缘计算(Endge computing)，同边缘智能(Edge intelligence，EI),指将人工智能算法从传统的云计算中心转移到网络边缘的终端设备。本文搬运自【Edge Intelligence: Paving the Last Mile of ArtificialIntelligence with Edge Computing（Zhi Zhou, Xu Chen, En Li, Liekang Zeng, Ke Luo, Junshan Zhang）】

优势

1. 终端生成的大量数据需要人工智能来有效挖掘数据价值
2. 深度学习驱动要素： algorithm, hardware, data and application scenarios，而网络边缘为大量数据源头，可见终端设备需要与人工智能有效结合，两者相互促进。
3. 边缘计算减少敏感数据在网络中的传输，提高隐私安全性。

发展

1. 边缘计算六层划分：
   其中Cloud-edge指边缘设备的部分数据交给云计算中心处理，In-edge指部分数据交给邻近的边缘设备协同处理（数据传输距离缩减），On-device指在设备单机处理。
   这六层又可以根据模型训练设备划分为三层

边缘计算模型训练

1. 架构：中心化、去中心化、混合
2. 评价指标：训练损失、一致性（去中心化架构下各个终端模型一致性）、私密性、数据交换代价、延迟、能源效率。
3. 目前边缘计算训练有如下解决方案：
   

模型推断

边缘计算受限于设备性能及能耗问题，前辈们提出了如下解决方案。
挑战：各种各样的方案，使得应用场景下模型配置参数十分复杂，庞大的搜索空间难以找到最优应用方案。

现状及展望

• 工业现状：亚马逊、谷歌、微软等都建立了边缘计算相关平台，但目前这些平台都依赖于云数据中心。
• 平台与框架的展望：
  1. EI平台建设需要较强的兼容性，以满足多样化的模型需求
  2. 兼容各种深度学习框架的模型
  3. 当前有多种边缘设备专用编程框架（tensorflow Lite, Caffe2, MXNet），但没有哪一种优于其他框架，未来需要一款更优的框架。
• 需要对计算资源更友好的模型

来源：CSDN

作者：geek_hch

链接：https://blog.csdn.net/geek_hch/article/details/93336470