利用机器学习为物联网开发制定路线

　　一旦您为物联网开发制定了路线，您就可以将其提升到一个新的水平。下一个级别可能包括主动说话者识别或预测性维护等功能，仅举几例。用于完成此类功能的一种技术是实现机器学习。这是通过利用可用的更高性能硬件和相关软件来最大化系统性能的最佳方式。

　　虽然机器学习对于嵌入式计算领域来说仍然相对较新，但每个主要处理器供应商（英特尔、AMD、nVidia 等）都有自己的机器学习实施方法，并且每家都在快速推出新技术。任何这些处理器都可以启用使用 SUSE 工具的实现。对于每一个容器，都可以使用（或很快）基于支持 TensorFlow 的闪存映像的容器，TensorFlow 是用于机器学习的开源框架。

　　在短短几年内，TensorFlow已被开发人员社区欣然接受为免费的开源框架，并凭借其在众多平台上的易用性和部署在机器学习领域占据领先地位。该框架允许您开发机器学习应用程序中使用的神经网络。与 TensorFlow 一起使用的编程语言的数量持续增长，其中包括所有主要语言，如 C++、Python、Java 和 JavaScript。许多其他人都可以使用第三方软件包。

　　在物联网边缘部署机器学习已变得司空见惯，出于各种原因远离云端。首先，上述微处理器能力足以满足许多处理需求。其次，在边缘处理机器学习消除了与将数据推送到云端并返回相关的任何延迟。在实时或接近实时的应用程序中，节省的时间可能会成就或破坏您的应用程序。例如，如果您正在设计一种医疗设备，那么实时执行某项 *** 作可能意味着患者的生死攸关。或者，对于自动驾驶应用程序，将信息移动到云端可能会导致崩溃（字面意思）。

　　最后，在边缘处理数据消除了与向/从云传输和接收数据相关的成本。假设蜂窝是您的传输媒介，当您考虑为机器学习应用程序推送的大量数据时，成本可能会迅速上升。通常只有计算最密集的应用程序才需要仅在云中可用的大量资源。

　　SUSE 的嵌入式 Linux *** 作系统可以内置到最终应用程序中，以实现安全、灵活和可扩展的系统，该系统基于经过验证的、经过时间考验的 *** 作系统。正如物联网系统设计人员所发现的那样，该 *** 作系统可以轻松地在一系列平台、应用程序和行业中开发、维护、发展和管理嵌入式 Linux 物联网系统。它的开源特性允许使用各种设备、硬件和设备。

　　在使开发人员能够在他们已经习惯的环境中运行的同时，SUSE Embedded Linux *** 作系统提供了对工具和培训的即时访问、实时安全性以及整个产品生命周期的全面支持，包括代码修复、补丁和更新。灵活的订阅模式可以最大限度地降低成本并允许产品扩展。

　　现在您有了路线图和行军命令。让机器学习指导您的应用程序，如果实施得当，它会告诉您下一步是什么。

　　审核编辑：郭婷