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。
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(jù)皮特的估計，今年一年全球會有大約400億枚單片機 (MCU) 售出,。
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(chǎn)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(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,，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,?？墒牵幻都~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(xiàn)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。
因為,，數(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,。
他們基本上用手機相機來拍高清視頻,。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點數(shù)據(jù)。
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,。
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,。
跟深度學習有什么關(guān)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(shù)來挖掘。
我們需要的是,，能夠在單片機上運轉(zhuǎn)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(shù)據(jù)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(xiàn)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,。
相比之下，神經(jīng)網(wǎng)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(shù)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(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(wǎng)絡,，的最簡單的結(jié)構(gòu)，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(wǎng)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(jīng)網(wǎng)絡來處理噪音信號,，比如圖像,、音頻、加速度計的數(shù)據(jù)等等,。
如果可以在MCU上運行神經(jīng)網(wǎng)絡,，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,。
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/