未加星标

深度学习的未来在单片机身上?物联网

字体大小 | |
[大数据技术 所属分类 大数据技术 | 发布者 店小二05 | 时间 | 作者 红领巾 ] 0人收藏点击收藏

深度学习的未来在单片机身上?物联网
网络
深度学习的未来在单片机身上?物联网
存储
深度学习的未来在单片机身上?物联网
Hadoop
深度学习的未来在单片机身上?物联网
神经网络
深度学习的未来在单片机身上?物联网
深度学习

Pete Warden,是谷歌TensorFlow团队成员,也是TensorFLow Mobile的负责人,常年遨游在深度学习的大海。


深度学习的未来在单片机身上?物联网

另外,这些看上去很熟悉的书,也是他的作品。


除此之外,皮特有个新的想法要和大家分享——


他坚定地相信,未来的深度学习能够在微型的、低功耗的芯片上自由地奔跑。


换句话说,单片机 (MCU) ,有一天会成为深度学习最肥沃的土壤。


这里面的逻辑走得有些绕,但好像还是有点道理的。


为什么是单片机

单片机遍地都是

根据皮特的估计,今年一年全球会有大约400亿枚单片机 (MCU) 售出。



深度学习的未来在单片机身上?物联网

MCU里面有个小CPU,RAM只有几kb的那种,但医疗设备、汽车设备、工业设备,还有消费级电子产品里,都用得到。


这样的计算机,需要的电量很小,价格也很便宜,大概不到50美分。


之所以得不到重视,是因为一般情况下,MCU都是用来取代 (如洗衣机里、遥控器里的) 那些老式的机电系统——控制机器用的逻辑没有发生什么变化。


能耗才是限制因素

任何需要主电源 (Mains Electricity) 的设备,都有很大的局限性。毕竟,不管到哪都要找地方插电,就算是手机和PC都得经常充电才行。


深度学习的未来在单片机身上?物联网

然而,对智能产品来说,在任何地方都能用、又不用经常维护,才是王道。


所以,先来看下智能手机的各个部位用电有多快——

· 显示器400毫瓦

· 无线电800毫瓦

· 蓝牙100毫瓦

· 加速度计21毫瓦

· 陀螺仪130毫瓦

· GPS 176毫瓦


相比之下,MCU只需要1毫瓦,或者比这更少。可是,一枚纽扣电池拥有2,000焦耳的电量,所以即便是1毫瓦的设备,也只能维持1个月。


当然,现在的设备大多用占空比 (Duty Cycling) ,来避免每个部件一直处在工作状态。不过,即便是这样,电量分配还是很紧张。


CPU和传感器不太耗电

CPU和传感器的功耗,基本可以降到微瓦级,比如高通的Glance视觉芯片。


相比之下,显示器和无线电,就尤其耗电了。即便是WiFi和蓝牙也至少要几十毫瓦。


深度学习的未来在单片机身上?物联网

因为,数据传输需要的能量,似乎与传输距离成正比。CPU和传感器只传几毫米,而无线电的传送距离以米为单位,就要贵得多。


传感器的数据都去哪了


传感器能获取的数据,比人们能用到的数据,多得多。


皮特曾经和从事微型卫星拍摄的攻城狮聊过。


他们基本上用手机相机来拍高清视频。但问题是,卫星的数据存储量很小,传输带宽也很有限,从地球上每小时只能下载到一点点数据。


就算不涉及到地外事务,地球上的很多传感器也会遇到这样的尴尬。



深度学习的未来在单片机身上?物联网

一个很有趣的栗子,来自皮特的一个好基友,每到12月,他家上网流量就会用到爆炸。后来,他发现是那些给圣诞节挂的彩灯,影响了视频下载的压缩比例,多下载了很多帧。


跟深度学习有什么关系

如果上面这些听上去有点道理,那么就有一大片市场等待技术来挖掘。


我们需要的是,能够在单片机上运转的,不需要很多电量的,依赖计算不依赖无线电,并且可以把那些本来要浪费掉的传感器数据利用起来的,设备。


这也是机器学习,特别是深度学习,需要跨越的鸿沟。


天作之合

深度学习就是上面所说的,计算密集型,可以在现有的MCU上运行得很舒服。


这很重要,因为很多其他的应用,都受到了“能在多短的时间里获得大量的储存空间”这样的限制。



深度学习的未来在单片机身上?物联网

相比之下,神经网络大部分的时间,都是用来把那些很大很大的矩阵乘到一起,翻来覆去用相同的数字,只是组合方式不同了。


这样的运算,当然比从DRAM里读取大量的数值,要低碳得多。


需要的数据没那么多的话,就可以用SRAM这样低功耗的设备来存储。


如此说来,深度学习最适合MCU了,尤其是在8位元计算可以代替浮点运算的时候。


深度学习很低碳

皮特花了很多时间,来考虑每次运算需要多少皮焦耳。


比如,MobileNetV2的图像分类网络,的最简单的结构,大约要用2,200万次运算。


如果,每次运算要5皮焦,每秒钟一帧的话,这个网络的功率就是110微瓦,用纽扣电池也能坚持近一年。


对传感器也友好

最近几年,人们用神经网络来处理噪音信号,比如图像、音频、加速度计的数据等等。


深度学习的未来在单片机身上?物联网

如果可以在MCU上运行神经网络,那么更大量的传感器数据就可以得到处理,而不是浪费。


那时,不管是语音交互,还是图像识别功能,都会变得更加轻便。


虽然,这还只是个理想。


最后一句

果然,TensorFlow Mobile的老大,满脑子还是便携设备的事。


原文传送门:

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


欢迎加入本站公开兴趣群

软件开发技术群

兴趣范围包括:Java,C/C++,pythonphp,Ruby,shell等各种语言开发经验交流,各种框架使用,外包项目机会,学习、培训、跳槽等交流

QQ群:204132433


Hadoop源代码研究群

兴趣范围包括:Hadoop源代码解读,改进,优化,分布式系统场景定制,与Hadoop有关的各种开源项目,总之就是玩转Hadoop

QQ群:204050420

tags: MCU,毫瓦,传感器,深度,学习,单片,CPU,设备,皮特,数据,Hadoop,运算,电量
分页:12
转载请注明
本文标题:深度学习的未来在单片机身上?物联网
本站链接:http://www.codesec.net/view/577311.html
分享请点击:


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 大数据技术 | 评论(0) | 阅读(72)