《電子技術應用》
您所在的位置:首頁 > 嵌入式技術 > 業(yè)界動態(tài) > 深度學習的未來在單片機身上,?

深度學習的未來在單片機身上,?

2018-06-13
關鍵詞: 谷歌T 單片機 CPU

Pete Warden,,是谷歌TensorFlow團隊成員,,也是TensorFLow Mobile的負責人,,常年遨游在深度學習的大海,。

微信圖片_20180613220424.jpg

另外,,這些看上去很熟悉的書,,也是他的作品,。

除此之外,皮特有個新的想法要和大家分享——

他堅定地相信,,未來的深度學習能夠在微型的,、低功耗的芯片上自由地奔跑。

換句話說,,單片機 (MCU) ,,有一天會成為深度學習最肥沃的土壤。

這里面的邏輯走得有些繞,,但好像還是有點道理的,。

為什么是單片機

單片機遍地都是

根據皮特的估計,今年一年全球會有大約400億枚單片機 (MCU) 售出,。

微信圖片_20180613220506.jpg

MCU里面有個小CPU,,RAM只有幾kb的那種,但醫(yī)療設備,、汽車設備,、工業(yè)設備,還有消費級電子產品里,,都用得到,。

這樣的計算機,需要的電量很小,,價格也很便宜,,大概不到50美分。

之所以得不到重視,,是因為一般情況下,,MCU都是用來取代 (如洗衣機里,、遙控器里的) 那些老式的機電系統(tǒng)——控制機器用的邏輯沒有發(fā)生什么變化。

能耗才是限制因素

任何需要主電源 (Mains Electricity) 的設備,,都有很大的局限性,。畢竟,不管到哪都要找地方插電,,就算是手機和PC都得經常充電才行,。

微信圖片_20180613220538.gif

然而,對智能產品來說,,在任何地方都能用,、又不用經常維護,才是王道,。

所以,,先來看下智能手機的各個部位用電有多快——

· 顯示器400毫瓦
· 無線電800毫瓦
· 藍牙100毫瓦
· 加速度計21毫瓦
· 陀螺儀130毫瓦
· GPS 176毫瓦

相比之下,MCU只需要1毫瓦,,或者比這更少,。可是,,一枚紐扣電池擁有2,000焦耳的電量,,所以即便是1毫瓦的設備,也只能維持1個月,。

當然,,現在的設備大多用占空比 (Duty Cycling) ,來避免每個部件一直處在工作狀態(tài),。不過,即便是這樣,,電量分配還是很緊張,。

CPU和傳感器不太耗電

CPU和傳感器的功耗,基本可以降到微瓦級,,比如高通的Glance視覺芯片,。

相比之下,顯示器和無線電,,就尤其耗電了,。即便是WiFi和藍牙也至少要幾十毫瓦。

微信圖片_20180613220616.jpg

因為,,數據傳輸需要的能量,,似乎與傳輸距離成正比。CPU和傳感器只傳幾毫米,,而無線電的傳送距離以米為單位,,就要貴得多,。

傳感器的數據都去哪了

傳感器能獲取的數據,比人們能用到的數據,,多得多,。

皮特曾經和從事微型衛(wèi)星拍攝的攻城獅聊過。

他們基本上用手機相機來拍高清視頻,。但問題是,,衛(wèi)星的數據存儲量很小,傳輸帶寬也很有限,,從地球上每小時只能下載到一點點數據,。

就算不涉及到地外事務,地球上的很多傳感器也會遇到這樣的尷尬,。

微信圖片_20180613220638.jpg

一個很有趣的栗子,,來自皮特的一個好基友,每到12月,,他家上網流量就會用到爆炸,。后來,他發(fā)現是那些給圣誕節(jié)掛的彩燈,,影響了視頻下載的壓縮比例,,多下載了很多幀。

跟深度學習有什么關系

如果上面這些聽上去有點道理,,那么就有一大片市場等待技術來挖掘,。

我們需要的是,能夠在單片機上運轉的,,不需要很多電量的,,依賴計算不依賴無線電,并且可以把那些本來要浪費掉的傳感器數據利用起來的,,設備,。

這也是機器學習,特別是深度學習,,需要跨越的鴻溝,。

天作之合

深度學習就是上面所說的,計算密集型,,可以在現有的MCU上運行得很舒服,。

這很重要,因為很多其他的應用,,都受到了“能在多短的時間里獲得大量的儲存空間”這樣的限制,。

微信圖片_20180613220700.jpg

相比之下,神經網絡大部分的時間,,都是用來把那些很大很大的矩陣乘到一起,,翻來覆去用相同的數字,,只是組合方式不同了。

這樣的運算,,當然比從DRAM里讀取大量的數值,,要低碳得多。

需要的數據沒那么多的話,,就可以用SRAM這樣低功耗的設備來存儲,。

如此說來,深度學習最適合MCU了,,尤其是在8位元計算可以代替浮點運算的時候,。

深度學習很低碳

皮特花了很多時間,來考慮每次運算需要多少皮焦耳,。

比如,,MobileNetV2的圖像分類網絡,的最簡單的結構,,大約要用2,200萬次運算,。

如果,每次運算要5皮焦,,每秒鐘一幀的話,,這個網絡的功率就是110微瓦,用紐扣電池也能堅持近一年,。

對傳感器也友好

最近幾年,,人們用神經網絡來處理噪音信號,比如圖像,、音頻,、加速度計的數據等等。

微信圖片_20180613220722.jpg

如果可以在MCU上運行神經網絡,,那么更大量的傳感器數據就可以得到處理,,而不是浪費。

那時,,不管是語音交互,還是圖像識別功能,,都會變得更加輕便,。

雖然,這還只是個理想,。

最后一句

果然,,TensorFlow Mobile的老大,滿腦子還是便攜設備的事,。

原文傳送門:

https://petewarden.com/2018/06/11/why-the-future-of-machine-learning-is-tiny/


本站內容除特別聲明的原創(chuàng)文章之外,,轉載內容只為傳遞更多信息,,并不代表本網站贊同其觀點。轉載的所有的文章,、圖片,、音/視頻文件等資料的版權歸版權所有權人所有。本站采用的非本站原創(chuàng)文章及圖片等內容無法一一聯系確認版權者,。如涉及作品內容,、版權和其它問題,請及時通過電子郵件或電話通知我們,,以便迅速采取適當措施,,避免給雙方造成不必要的經濟損失。聯系電話:010-82306118,;郵箱:[email protected],。