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。

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。

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。

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。

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。

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。

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。

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/