IOT Edge最大的一个优势和特性就是可以把用户的业务逻辑，预处理，机器学习，人工智能等模块部署在边界设备上，部署的方式就是容器方式，在IOT edge上被称为一个模块。
- 登录到Azure的portal上，选择之前注册的IOT Edge设备，选择Set Module
- 选择" Add IOT Edge Module"，输入相应参数，这里我们使用一个demo的模块温度传感器的模块来做测试, URI是microsoft/azureiotedge-simulated-temperature-sensor:1.0-preview：
- 选择下一步可以选择消息在不同的模块之间通讯，暂时不用修改，选择下一步即可：
- 重新看一下最终部署的模块，并选择提交，在设备详细信息主界面，你可以看到有3个模块在设备上运行，EdgeAgent，EdgeHUb和我们刚才配置的tempSensor：
在我们的模拟终端设备上使用docker ps查看，也可以看到有3个容器在运行：
也可以查看正在发送的数据：
- 打开你本地的Visual Studio Code，安装Azure IOT Toolkit插件：
配置IOT Hub的连接字符串，连接串可以通过登陆Azure的portal，点击共享访问策略得到，连接成功后，，单击右键，选择"Start monitoring D2C messages"，可以看到当前IOT Edge设备只是收集和直接发送数据，并无任何处理：
部署IOT Edge机器学习模块
Azure新一代机器学习服务，提供了一个强大的端到端的全生命周期的机器学习系统，从数据的处理，模型的训练，模型的管理，模型的发布都提供了完善的支持。通过Azure ML训练的模型，无论是机器学习模型，图像识别，语音识别等等，一样可以快速的发布在IOT Edge，通过这样的方式，真正将人工智能带到边界设备。
接下来我们介绍如何将机器学习模型部署到模拟的边界设备上，针对当前设备情况做最基本的诊断：
- Azure提供了比较丰富的将Azure ML部署到IOT Edge的例子，在这里我们选择异常检测的机器学习模型，更多的模型可以参考：
克隆该repo，并且进入目录IoT Edge anomaly detection tutorial目录,该目录下有两个文件，iot_score.py用来接受输入的参数，model.pkl是机器学习模型用来对异常进行检测。
- 请注意，Azure ML CLI和Azure CLI目前是分开的，需要单独安装，否则会报az ml无法找到的命令：
pip install -r
- 首先创建一个机器学习实验账号
az ml account experimentation create -n mymldemo -g myaksdemo -l eastus2
- 注册相应的provider并设置本地执行环境：：
az provider register -n Microsoft.MachineLearningCompute
az provider register -n Microsoft.ContainerRegistry
az provider register -n Microsoft.ContainerService
az ml env setup -l eastus2 -n mymlenv -g myaksdemo
az ml env set -n mymlenv -g myaksdemo
- 创建模型管理账户
az ml account modelmanagement create -l eastus2 -n mymldemo -g myaksdemo --sku-instances 1 --sku-name S1
- 创建机器学习模型并提交到容器注册表：
az ml service create realtime --model-file model.pkl -f iot_score.py -n machinelearningmodule -r python
- 获得容器注册表的相关信息：
az acr list -o table
az acr credential show --name mlcrpacreb1907133456
- 将容器注册表添加到边缘设备，以便于注册表中的容器可以部署到边界：
iotedgectl login --address mlcrpacreb1907133456.azurecr.io --username mlcrpacreb1907133456 --password jtTVyKwDQ=blPFuwDEBbkWXVyZFwvOqi
- 添加machine learning模块，保存后，选择下一步：
- 那么不同的两个边界设备模型之间如何通讯呢？这个时候就用到了设备设置的路有模块，在路由界面中，拷贝如下json片段：
{
"routes": {
"sensorToMachineLearning":"FROM /messages/modules/tempSensor/outputs/temperatureOutput INTO BrokeredEndpoint(\"/modules/abnormalmlmodule/inputs/amlInput\")",
"machineLearningToIoTHub": "FROM /messages/modules/abnormalmlmodule/outputs/amlOutput INTO $upstream"
}
}
第一句路由是将之前传感器处理的数据收集，但数据的处理对象是机器学习，第二句是数据经过机器学习模块处理之后，然后再发送回IOT Hub，其实智能的处理已经发生在边界，数据传回之前。添加完成后，点击提交，需要一点时间容器被部署到边界，状态变成running：
- 使用VSCode的IOT插件进行监控，从实际的处理结果我们也可以看到，机器学习模型接收基基本的输入数据，通过模型来判断数据是否为异常，设置异常标识（注意接收消息里面的anomaly项），将最终的结果返回给云端IOT Hub：
从这个例子我们可以看到，微软的IOT Edge结合了Azure新一代的机器学习服务，当然你可以写自己的逻辑和代码，将机器学习模型通过容器的image发布，然后通过设备管理发送到边界，在物联网的边界设备上实现了人工智能服务，这种技术可以广泛的运用于多种不同的场景，例如车联网，石油勘探，面部检测，终端图像识别等等，为将AI带到任何地方设置了清晰的技术路线。