AI 词汇表
人工智能完整词典
量化
将神经网络权重和激活值的精度从32位降低到8位或更低的技术，能够显著减少所需的内存和计算量。
微控制器
包含处理器、存储器和外设的紧凑型集成电路，经过优化可在最小能耗和有限资源下运行。
边缘AI
直接在边缘设备上执行的人工智能，允许本地决策而不依赖云连接，降低延迟和带宽消耗。
TensorFlow Lite Micro
谷歌专门设计的框架，用于在RAM小于256KB、存储空间小于1MB的微控制器上运行机器学习模型。
内存优化
旨在最小化模型内存占用的一系列技术，包括量化、剪枝和适用于MCU约束的紧凑网络架构。
设备端推理
直接在嵌入式设备上执行预测的过程，无需将数据传输到远程服务器进行处理。
剪枝
修剪神经网络中非关键连接的技术，在不显著损失预测性能的情况下降低其复杂性和大小。
知识蒸馏
将知识从大型复杂模型（教师）转移到适合微控制器资源约束的轻量模型（学生）的方法。
神经形态架构
模仿生物大脑结构和功能的电路设计，针对高效处理和最小能耗进行优化。
模型压缩器
减少机器学习模型大小同时保持其预测能力的工具或算法，对于在受限设备上部署至关重要。
Edge Impulse
专注于在微控制器上创建、训练和部署TinyML模型的开发平台，具有直观界面和自动优化功能。
能耗
TinyML中的关键指标，旨在最小化电力消耗，以在物联网应用中实现电池或能量采集供电的多年自主运行。
MCU
微控制器单元，将处理器、易失性和非易失性存储器以及通信接口集成在单个集成电路中的紧凑单元，适用于嵌入式应用。
实时处理
TinyML系统在受限和可预测时间内提供预测响应的能力，对于关键和交互式应用至关重要。
嵌入式智能
将学习和推理能力直接集成到受限电子设备中，创建自主智能系统。
轻量模型
专门设计的神经网络架构，旨在最小化参数和计算量，同时在微控制器部署中保持可接受的性能。
能量收集
收集环境能量（光能、振动、热能）的技术，用于为TinyML设备供电，实现几乎无需维护的无限自主运行。
嵌入式操作系统
针对微控制器优化的实时操作系统，管理有限的硬件资源，并确保TinyML任务的确定性执行。