边缘端机器学习为了包含更广泛的范围，将机器学习、深度学习
图
MCU也是可以完成上述内容的，只是需要拆解到底层的实现，需要理解原理及计算公式
芯片的发展使得MCU的算力越来越强，机器学习的简单实现，决策树RT、支持向量机SVM、神经网络NN，甚至是深度神经网络DNN。只是代码更接近于底层，不太便于理解。有一些表述Tinyml、AIOT
k230是一个很好的平台，而micropython又实现了进一步抽象，实现起来比较简单且易于理解，容易开发出较为简单的功能。现阶段的分享均以micropython实现
k230的最基本的核心，一个KPU实现端部的AI能力，在进行加速，而MCU加KPU的异构结构？多核的发展趋势，MCU作为处理单元，KPU加速计算，而不同的传感器输入到k230中进行处理
根据不同传感器的输入，载入的可能是标量，例如温度，求解华氏度与摄氏度的转换（线性），（非线性）
一段数据1维矢量，一段输入的问题分析变化范围？
二维3轴加速度传感器，二维变量
三维图像数据
视频数据（通过截取为三维图像）
在传感器中的输入后需要进行预处理，可能会包含简单的转换或者数据信号处理，然后输入到KPU中进行加速。
针对输出结果产生输出，这个目前较多的是通过串口或者通过图像进行显示。
如此，形成一个简单的流程。
流程的图可以如下图所示。
这样就可以开发出一些简单的应用
计划的案例，仅针对于流程。
简单的神经网络实现温度或者其他传感器的转换（标量）
对于手写数字的识别（图像处理三维）
信号处理结合运动传感器的识别？数字信号处理DSP+AI（二维）（Tinyml）