邊緣計算
随着衆多産業向數字化的轉型，大流量的使用讓雲計算獲得了巨大的發展，計算、存儲和各種網絡功能一起管理的方式使計算具有極高的成本效益和靈活性。
近年來，移動裝置和聯網裝置的數量呈爆炸式增長，甚至預測，到 2025 年全球将有近千億台物聯網裝置，雲計算正在努力應對物聯網裝置産生的海量資料和物聯網裝置所需的低延遲，但雲計算配置的更新速度遠不及資料增長的速度，這就急需一種可以分擔雲端壓力的計算思想和傳輸裝置。
邊緣計算邊緣計算作為一種将計算任務和服務從網絡核心推向網絡邊緣的新興範式，被廣泛認為是一種很有前途的解決方案。而物聯網的快速發展，也為邊緣計算帶來更多機會。數十億的移動裝置和物聯網裝置連接配接到網際網路，在網絡邊緣産生海量位元組的資料。在這一趨勢的推動下，迫切需要将人工智能前沿推向網絡邊緣，充分釋放邊緣大資料的潛力。
深度學習
近年來，機器學習普遍應用于各個領域。我們也被機器學習的應用所包圍，比如：在計算機程式、媒體等領域經常接觸。本質上，機器學習使用算法從資料中提取有用的資訊，然後将其呈現在一個模型中，最後使用該模型在生活中應用實驗或未模組化的資料。
神經網絡是機器學習的模型之一，已經存在了數十年之久。這個概念是由研究哺乳動物大腦中生物神經元的科學家定義的。随着時間的推移，生物體大腦中的神經元節點會進化，而神經網絡中神經元節點之間的連接配接也會發展。
實作對人腦的進一步模拟，是各種深度學習算法不斷進步的原因。目前，隻能針對不同類型的學習進行不同的算法模型選擇。
一方面，深度學習是機器學習的延展，作為現如今支撐現代技術最為火熱的深度學習，如何合理的與物聯網結合，并應用在農業領域，成為當下非常重要的研究方向。
另一方面，目前深度學習廣泛應用于各種農業場景，包括物聯網的傳感器和攝像頭等終端裝置正在擷取的農作物資料。這些資料需要使用深度學習進行實時分析，或用于訓練深度學習模型。
然而，深度學習模型需要消耗大量的計算資源。此時，邊緣計算技術能為以各類神經網絡技術為主的深度學習提供充足的計算資源，用邊緣端在終端附近、擁有一定計算能力和低延遲的特點，将邊緣計算和深度學習結合在一起成為一種可行的方法。
互相相結合實作思路
- 1、首先是将我們在終端采集到的訓練資料傳給雲端計算裝置，由雲端裝置訓練神經網絡模型；
- 2、其次将訓練好的模型傳到邊緣裝置；
- 3、最後将終端測試或繼續訓練的圖檔傳給邊緣端，邊緣端通過遷移學習來識别或訓練圖檔資料。
在深度學習與邊緣計算的結合過程中，每一次重複訓練學習都需要消耗大量的計算資源，這個時候就需要通過遷移學習來繼續使用訓練好的模型。
通過雲伺服器訓練網絡模型，然後雲伺服器将訓練好的模型發送到邊緣端，最後由邊緣裝置通過使用遷移學習和訓練好的模型對新資料進行再訓練、識别等任務，就可以不用考慮雲伺服器的負載狀态。 是以，使用雲邊協同方式進行深度學習的訓練就能夠減輕雲端壓力，提高運作速度，降低總運作時間。
遷移學習
遷移學習（Transfer Learning）是一種具有強拓展性的先進機器學習方法，相對于其他傳統的機器學習算法，遷移學習采用已有的算法模型作為基礎，進一步将存在的模型在新的任務中使用。其最主要特點在于其具有極強的通用性，相比其他算法，無論是深度學習還是機器學習，都需要針對實際問題進行本地化操作才能更好實作既定目标，但遷移學習具有強拓展性的矚目特點使近年來的人工智能領域對其進行了較多的關注。
| 任務 | 遷移學習 | 傳統機器學習 |
| 資料分布 | 訓練和測試資料不需要同分布 | 訓練和測試資料同分布 |
| 資料标簽 | 不需要足夠的資料标注 | 足夠的資料标注 |
| 模組化 | 可以重用之前的模型 | 每個任務分别模組化 |
遷移學習與傳統機器學習差別
遷移學習的關鍵即使從不同的原始資料集中提取目标的相似性，以建立起從以往的學習模型中向新的進化模型中互相遷移進行進化的可能索引。
從算法的訓練集角度來說，遷移學習可以實作小樣本的強優化性能。圖像識别是最經典的利用不斷補充訓練集進行大量學習的領域之一，其通過巨型的訓練集訓練可以将諸多的形态學特征和紋理特征得以學習，然後通過補充資料進行進一步的更正。
在遷移學習中，算法會根據資料化的訓練集在統一字段中進行連續訓練和識别，有選擇地進行基于樣本遷移後特征的遷移，最終完成模型遷移與邏輯遷移。其中，樣本遷移的基本是需要将源資料和目标标簽進行變換最終進入到新的次元空間，該空間可能和原始空間具有複雜的變換關系，最終在變換中通過對各類距離的最小化限制完成特征的遷移，而經過距離優化過程中同時完成了模型的遷移。整體過程中不僅存在着對有标簽資料的監督學習，也囊括了在遷移過程中不可少的無監督和半監督學習
邊緣計算優勢
由于計算裝置和資料源的距離優勢，采用邊緣技術的領域，可以實時回報和處理，相對于雲計算，類比于電力系統的孤島和并網運作，更具有先天的安全性。
綜上所述，邊緣計算具有如下的特點。
（1）分布式和低延時。邊緣誰被可以建立在距離資料接收源很近的位置，是以這種裝置可以實時擷取資料并進行分析，進而可以更好地支援本地企業的實時智能處理和執行。
（2）執行效率高。邊緣計算由于先天具有近端分析的結構特性，可以在使用者節點就對待處理資料進行相關分析，相比傳統的傳輸到後方進行集中處理，這種分布式的配置具有顯著的高效性。
（3）節省網絡資源。邊緣計算的資料處理任務可以在雲端輸送前就完成一部分，進而減少集中處理的壓力，并有效減少實際傳送的流量。一方面針對有限吞吐量時大幅度提高輸送的資訊載荷，另一方面也減少了伺服器端的運算需求。
（4）安全性更高。當大量使用者資料輸入到雲端時，可能會出現某些不良人員盜取資料，在使用者不知情的情況下使用使用者資料，而邊緣計算在接收到資料之後，可以對資料加密或分析處理之後再進行傳輸，提升了資料的安全性，并且保證了使用者的隐私。
（5）協定标準化。分布式運算需要協調各資料節點的通信協定，在進行握手時，避免産生額外的資料的解析計算，另一方面由于資料格式的差異性，也必須避免在多方協作時産生錯誤。是以需要對整體的計算計算進行協定統一和标準統一。