随着复杂的AI和机器学习应用程序在边缘计算设备上应用需求的增加,支持微型机器学习的技术方法正在不断涌现。原先的研究人员持有这样的观点:对于小样本一般不建议使用深度学习算法,但是现在有关研究人员开始认为小样本学习也具有潜在的适用场景,例如优化后的机器学习(Machine Learning,ML)能够部署在边缘计算场合,从而有效地实现边缘智能。在边缘计算场景下,尽管设备可以把采集的数据送到数据中心进行训练和获取深度学习的模型,但是这依然受到很多约束,如推理时设备的内存、设备的计算能力和通信时延。通过合理选择规模量化方案以及定点与低精度整数运算,压缩后的神经网络模型的性能将在边缘应用中接近浮点运算设计的性能。在探讨神经网络规模压缩基础知识和微型机器学习等方法之后,本文将重点讨论在边缘计算设备的神经网络适配,即一种微型机器学习和神经网络的规模压缩。基于上述思想,本文第一个工作提出了一种适合边缘设备的分布式训练架构和一种包含8比特量化的前馈神经网络优化设计。它可能便于在多个设备上进行微型的、快速的分布式训练和推理以及降低总的网络延迟。其次,本文第二个工作构建一个浅层卷积神经网络。通过使用Pytorch中的模型压缩的应用程序接口(Application Programming Interface,API),我们实现了该案例权重量化。在手写体数据集MNIST和CPU配置下的实验结果显示,8比特量化设计导致的性能损失小于1%。由于对深层卷积神经网络的量化和压缩是网络规模量化与压缩的主要内容之一,本文第三个工作将概述深层卷积神经网络量化方面的最新文献。最后,在CIFAR10数据集上评估了基于混合量化的压缩案例,GPU配置下实验结果也显示量化设计导致的性能损失很小。