版权声明：欢迎转载，注明出处就好！如果不喜欢请留言说明原因再踩哦，谢谢，我也可以知道原因，不断进步！！ https://blog.csdn.net/wzhqazcscs/article/details/79284962
背景
在云端（如Google Cloud、Amazon AWS、Microsoft Azure、Facebook Big Basin），DNNs的快速训练依赖于分布式系统，随着分布式计算节点的增加，AI系统的计算能力增加，其可扩展性主要受限于通信带宽。 在边缘（如移动手机的Face ID、无人机、去中心化自动驾驶系统等），便携设备的计算和存储等资源有限，DNNs的高效部署依赖于模型压缩与加速技术，以完成轻量级部署。
具体落地
- 云端负责维护非实时数据，如车主通过应用提供的预约功能，将自己的车牌录入停车场或车位的白名单中。云端应用将白名单列表数据增量下发至边缘端的运行时；
- 边缘端负责实时计算，一辆车入场或入车位时进行判断，当该车牌不在名单中时不抬杆或进行报警推送
优势
增效：云端与边缘进行角色分离，轻量式快速部署及复用；
提质：边缘端进行实时判断（毫级），服务质量更优
降耗：通信资源大量减少，降低出口带宽压力
控险：车主、车牌等个人信息在边缘端交互，信息安全更可靠