Trong bài viết này, chúng tôi đề xuất giải thuật học tăng trưởng cục bộ giảm gradient ngẫu nhiên (SGD) trên máy tính nhúng Raspberry Pi cho phân lớp thách thức ImageNet có 1.261.405 ảnh với 1.000 lớp. Giải thuật cục bộ giảm gradient ngẫu nhiên chia tập dữ liệu lớn ra k phân vùng nhỏ hơn với giải thuật phân cụm kmeans, tiếp sau đó thực hiện huấn luyện song song các mô hình SGD, mỗi mô hình SGD phân lớp phân vùng dữ liệu cục bộ. Giải thuật tăng trưởng trên máy tính nhúng Raspberry Pi nạp tuần tự các khối dữ liệu nhỏ từ tập dữ liệu huấn luyện rất lớn, để huấn luyện các mô hình SGD cục bộ. Kết quả thực nghiệm trên tập thách thức ImageNet 2010 cho thấy giải thuật tăng trưởng SGD cục bộ trên máy tính nhúng Raspberry Pi 4 (Broadcom BCM2711, Quad core Cortex-A72 (ARM v8) 64-bit SoC @ 1.5GHz, 4GB RAM) nhanh và chính xác hơn giải thuật LIBLINEAR trên máy tính PC (Intel(R) Core i7-4790 CPU, 3.6 GHz, 4 cores and 32 GB RAM).