[人工智能]边缘计算结合深度学习实现云边端协同应用概述

边缘计算

随着众多产业向数字化的转型，大流量的使用让云计算获得了巨大的发展，计算、存储和各种网络功能一起管理的方式使计算具有极高的成本效益和灵活性。

近年来，移动设备和联网设备的数量呈爆炸式增长，甚至预测，到 2025 年全球将有近千亿台物联网设备，云计算正在努力应对物联网设备产生的海量数据和物联网设备所需的低延迟，但云计算配置的更新速度远不及数据增长的速度，这就急需一种可以分担云端压力的计算思想和传输设备。

边缘计算边缘计算作为一种将计算任务和服务从网络核心推向网络边缘的新兴范式，被广泛认为是一种很有前途的解决方案。而物联网的快速发展，也为边缘计算带来更多机会。数十亿的移动设备和物联网设备连接到互联网，在网络边缘产生海量字节的数据。在这一趋势的推动下，迫切需要将人工智能前沿推向网络边缘，充分释放边缘大数据的潜力。

深度学习

近年来，机器学习普遍应用于各个领域。我们也被机器学习的应用所包围，比如：在计算机程序、媒体等领域经常接触。本质上，机器学习使用算法从数据中提取有用的信息，然后将其呈现在一个模型中，最后使用该模型在生活中应用实验或未建模的数据。

神经网络是机器学习的模型之一，已经存在了数十年之久。这个概念是由研究哺乳动物大脑中生物神经元的科学家定义的。随着时间的推移，生物体大脑中的神经元节点会进化，而神经网络中神经元节点之间的连接也会发展。

实现对人脑的进一步模拟，是各种深度学习算法不断进步的原因。目前，只能针对不同类型的学习进行不同的算法模型选择。

一方面，深度学习是机器学习的延展，作为现如今支撑现代技术最为火热的深度学习，如何合理的与物联网结合，并应用在农业领域，成为当下非常重要的研究方向。

另一方面，目前深度学习广泛应用于各种农业场景，包括物联网的传感器和摄像头等终端设备正在获取的农作物数据。这些数据需要使用深度学习进行实时分析，或用于训练深度学习模型。

然而，深度学习模型需要消耗大量的计算资源。此时，边缘计算技术能为以各类神经网络技术为主的深度学习提供充足的计算资源，用边缘端在终端附近、拥有一定计算能力和低延迟的特点，将边缘计算和深度学习结合在一起成为一种可行的方法。

互相相结合实现思路

• 1、首先是将我们在终端采集到的训练数据传给云端计算设备，由云端设备训练神经网络模型；
• 2、其次将训练好的模型传到边缘设备；
• 3、最后将终端测试或继续训练的图片传给边缘端，边缘端通过迁移学习来识别或训练图片数据。

在深度学习与边缘计算的结合过程中，每一次重复训练学习都需要消耗大量的计算资源，这个时候就需要通过迁移学习来继续使用训练好的模型。

通过云服务器训练网络模型，然后云服务器将训练好的模型发送到边缘端，最后由边缘设备通过使用迁移学习和训练好的模型对新数据进行再训练、识别等任务，就可以不用考虑云服务器的负载状态。 因此，使用云边协同方式进行深度学习的训练就能够减轻云端压力，提高运行速度，降低总运行时间。

迁移学习

迁移学习（Transfer Learning）是一种具有强拓展性的先进机器学习方法，相对于其他传统的机器学习算法，迁移学习采用已有的算法模型作为基础，进一步将存在的模型在新的任务中使用。其最主要特点在于其具有极强的通用性，相比其他算法，无论是深度学习还是机器学习，都需要针对实际问题进行本地化操作才能更好实现既定目标，但迁移学习具有强拓展性的瞩目特点使近年来的人工智能领域对其进行了较多的关注。

迁移学习的关键即使从不同的原始数据集中提取目标的相似性，以建立起从以往的学习模型中向新的进化模型中相互迁移进行进化的可能索引。

从算法的训练集角度来说，迁移学习可以实现小样本的强优化性能。图像识别是最经典的利用不断补充训练集进行大量学习的领域之一，其通过巨型的训练集训练可以将诸多的形态学特征和纹理特征得以学习，然后通过补充数据进行进一步的更正。

在迁移学习中，算法会根据数据化的训练集在统一字段中进行连续训练和识别，有选择地进行基于样本迁移后特征的迁移，最终完成模型迁移与逻辑迁移。其中，样本迁移的基本是需要将源数据和目标标签进行变换最终进入到新的维度空间，该空间可能和原始空间具有复杂的变换关系，最终在变换中通过对各类距离的最小化约束完成特征的迁移，而经过距离优化过程中同时完成了模型的迁移。整体过程中不仅存在着对有标签数据的监督学习，也囊括了在迁移过程中不可少的无监督和半监督学习

边缘计算优势

由于计算设备和数据源的距离优势，采用边缘技术的领域，可以实时反馈和处理，相对于云计算，类比于电力系统的孤岛和并网运行，更具有先天的安全性。

综上所述，边缘计算具有如下的特点。
（1）分布式和低延时。边缘谁被可以建立在距离数据接收源很近的位置，因此这种设备可以实时获取数据并进行分析，从而可以更好地支持本地企业的实时智能处理和执行。
（2）执行效率高。边缘计算由于先天具有近端分析的结构特性，可以在用户节点就对待处理数据进行相关分析，相比传统的传输到后方进行集中处理，这种分布式的配置具有显著的高效性。
（3）节省网络资源。边缘计算的数据处理任务可以在云端输送前就完成一部分，从而减少集中处理的压力，并有效减少实际传送的流量。一方面针对有限吞吐量时大幅度提高输送的信息载荷，另一方面也减少了服务器端的运算需求。
（4）安全性更高。当大量用户数据输入到云端时，可能会出现某些不良人员盗取数据，在用户不知情的情况下使用用户数据，而边缘计算在接收到数据之后，可以对数据加密或分析处理之后再进行传输，提升了数据的安全性，并且保证了用户的隐私。
（5）协议标准化。分布式运算需要协调各数据节点的通信协议，在进行握手时，避免产生额外的数据的解析计算，另一方面由于数据格式的差异性，也必须避免在多方协作时产生错误。因此需要对整体的计算计算进行协议统一和标准统一。

目前，边缘计算已经成为云计算的重要技术之一。单一的高性能大容量计算单元正在被分布式的云计算协作取代，这样的取代具有更高的速度，并能完成某些实时性工作。

以电商为例，在用户侧进行购物推荐算法的部分计算，可以有效缓解网站上的计算单元的负荷，并可以实现在计算时间内近乎实时性的根据用户的喜好完成推荐任务，这就是边缘计算在云计算大环境下的实际应用。