Pete Warden，是谷歌TensorFlow團(tuán)隊(duì)成員，也是TensorFLow Mobile的負(fù)責(zé)人，常年遨游在深度學(xué)習(xí)的大海。
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(jiān)定地相信，未來的深度學(xué)習(xí)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(jī) (MCU) ，有一天會成為深度學(xué)習(xí)最肥沃的土壤。
這里面的邏輯走得有些繞，但好像還是有點(diǎn)道理的。
為什么是單片機(jī)
單片機(jī)遍地都是
根據(jù)皮特的估計(jì)，今年一年全球會有大約400億枚單片機(jī) (MCU) 售出。
MCU里面有個小CPU，RAM只有幾kb的那種，但醫(yī)療設(shè)備、汽車設(shè)備、工業(yè)設(shè)備，還有消費(fèi)級電子產(chǎn)品里，都用得到。
這樣的計(jì)算機(jī)，需要的電量很小，價(jià)格也很便宜，大概不到50美分。
之所以得不到重視，是因?yàn)橐话闱闆r下，MCU都是用來取代 (如洗衣機(jī)里、遙控器里的) 那些老式的機(jī)電系統(tǒng)——控制機(jī)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(shè)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(jī)和PC都得經(jīng)常充電才行。
然而，對智能產(chǎn)品來說，在任何地方都能用、又不用經(jīng)常維護(hù)，才是王道。
所以，先來看下智能手機(jī)的各個部位用電有多快——
· 顯示器400毫瓦
· 無線電800毫瓦
· 藍(lán)牙100毫瓦
· 加速度計(jì)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?fù)碛?,000焦耳的電量，所以即便是1毫瓦的設(shè)備，也只能維持1個月。
當(dāng)然，現(xiàn)在的設(shè)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(lán)牙也至少要幾十毫瓦。
因?yàn)?，?shù)據(jù)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(shù)據(jù)都去哪了
傳感器能獲取的數(shù)據(jù)，比人們能用到的數(shù)據(jù)，多得多。
皮特曾經(jīng)和從事微型衛(wèi)星拍攝的攻城獅聊過。
他們基本上用手機(jī)相機(jī)來拍高清視頻。但問題是，衛(wèi)星的數(shù)據(jù)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(diǎn)點(diǎn)數(shù)據(jù)。
就算不涉及到地外事務(wù)，地球上的很多傳感器也會遇到這樣的尷尬。
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(wǎng)流量就會用到爆炸。后來，他發(fā)現(xiàn)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(xué)習(xí)有什么關(guān)系
如果上面這些聽上去有點(diǎn)道理，那么就有一大片市場等待技術(shù)來挖掘。
我們需要的是，能夠在單片機(jī)上運(yùn)轉(zhuǎn)的，不需要很多電量的，依賴計(jì)算不依賴無線電，并且可以把那些本來要浪費(fèi)掉的傳感器數(shù)據(jù)利用起來的，設(shè)備。
這也是機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)，需要跨越的鴻溝。
天作之合
深度學(xué)習(xí)就是上面所說的，計(jì)算密集型，可以在現(xiàn)有的MCU上運(yùn)行得很舒服。
這很重要，因?yàn)楹芏嗥渌膽?yīng)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。
相比之下，神經(jīng)網(wǎng)絡(luò)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(shù)字，只是組合方式不同了。
這樣的運(yùn)算，當(dāng)然比從DRAM里讀取大量的數(shù)值，要低碳得多。
需要的數(shù)據(jù)沒那么多的話，就可以用SRAM這樣低功耗的設(shè)備來存儲。
如此說來，深度學(xué)習(xí)最適合MCU了，尤其是在8位元計(jì)算可以代替浮點(diǎn)運(yùn)算的時候。
深度學(xué)習(xí)很低碳
皮特花了很多時間，來考慮每次運(yùn)算需要多少皮焦耳。
比如，MobileNetV2的圖像分類網(wǎng)絡(luò)，的最簡單的結(jié)構(gòu)，大約要用2,200萬次運(yùn)算。
如果，每次運(yùn)算要5皮焦，每秒鐘一幀的話，這個網(wǎng)絡(luò)的功率就是110微瓦，用紐扣電池也能堅(jiān)持近一年。
對傳感器也友好
最近幾年，人們用神經(jīng)網(wǎng)絡(luò)來處理噪音信號，比如圖像、音頻、加速度計(jì)的數(shù)據(jù)等等。
如果可以在MCU上運(yùn)行神經(jīng)網(wǎng)絡(luò)，那么更大量的傳感器數(shù)據(jù)就可以得到處理，而不是浪費(fèi)。
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(shè)備的事。
原文傳送門：
https://petewarden.com/2018/06/11/why-the-future-of-machine-learning-is-tiny/