MicroNets：面向通用微控制器部署TinyML应用的神经网络架构

在资源受限的微控制器（MCU）上本地执行机器学习工作负载，有望显著拓展物联网（IoT）的应用范围。然而，所谓的TinyML面临严峻的技术挑战，因为深度神经网络推理对计算能力和内存资源的需求极高。为应对这一挑战，神经架构搜索（Neural Architecture Search, NAS）有望帮助设计出在精度、内存占用、延迟和能耗等方面均满足MCU严苛约束的高效机器学习模型。NAS算法的关键组成部分是其延迟/能耗模型，即根据给定的神经网络架构预测其在MCU上推理延迟与能耗的映射关系。本文观察到MCU模型设计的NAS搜索空间中一个引人注目的特性：在搜索空间内对模型采用均匀先验分布时，模型延迟平均而言与模型操作（op）数量呈线性关系。基于这一发现，我们采用可微分神经架构搜索（Differentiable NAS, DNAS）方法，搜索具有低内存占用和低操作数的模型，其中操作数被用作延迟的可行代理指标。实验结果验证了该方法的有效性，成功构建出MicroNet系列模型。这些模型通过TensorFlow Lite Micro——TinyML社区广泛采用的标准开源神经网络推理运行时——部署于MCU上。MicroNet在TinyMLperf行业标准基准测试的三项任务中均取得了当前最优性能：视觉唤醒词（Visual Wake Words）、音频关键词检测（Audio Keyword Spotting）以及异常检测（Anomaly Detection）。相关模型与训练脚本已开源，可于 GitHub 仓库：github.com/ARM-software/ML-zoo 获取。