深度學(xué)習熱潮涌現　影響SoC設計與運用

　　NVIDIA Drive PX平臺擁有深度學(xué)習能力，可將現實(shí)環(huán)境學(xué)習結果反饋回資料中心。NVIDIA官網(wǎng)許多系統單芯片(SoC)大廠(chǎng)已開(kāi)始投入具備深度學(xué)習(deep learning)技術(shù)的產(chǎn)品，SoC設計走向、機制及功能正受其影響而產(chǎn)生轉變，智能型汽車(chē)、手機及穿戴式裝置皆有望因而提升性能表現，不過(guò)若要運用于移動(dòng)裝置，則須先克服功耗及生態(tài)環(huán)境等問(wèn)題。

　　據EE Times報導，深度學(xué)習正改變電腦與真實(shí)世界的互動(dòng)方式，SoC制造商對其熱忱亦逐漸浮現。

　　繪圖芯片大廠(chǎng)NVIDIA在CES 2015上推出的Drive PX平臺擁有深度學(xué)習能力，搭載該系統的智能型汽車(chē)可將在現實(shí)環(huán)境的學(xué)習結果反饋回資料中心，并透過(guò)定期更新不斷提升表現，而不再只是提供基本的環(huán)境偵測。

　　高通(Qualcomm)于2015年3月推出的認知運算平臺Zeroth據稱(chēng)可模擬人腦，并將于未來(lái)運用在最新AP產(chǎn)品Snapdragon 820上。盡管目前高通并未釋出相關(guān)細節，但表示Zeroth平臺將具備電腦視覺(jué)(computer vision)、裝置上深度學(xué)習及智能相機等功能，讓移動(dòng)裝置可辨識場(chǎng)景、物體以及解讀文字和筆跡。

　　百度科學(xué)家吳韌受訪(fǎng)時(shí)表示，移動(dòng)裝置的處理能力成長(cháng)迅速，未來(lái)無(wú)需與云端連結即可運行深度學(xué)習功能的愿景有望實(shí)現。不過(guò)，將深度學(xué)習引入手機及穿戴式裝置中仍將面臨三大難題，分別是缺乏殺手級應用(Killer App)、能否建立起協(xié)作良好的生態(tài)系統，以及如何于運行該功能時(shí)維持低電源消耗。

　　渥太華大學(xué)(University of Ottawa)電子工程及電腦科學(xué)院教授Robert Laganiere指出，在卷積神經(jīng)網(wǎng)路(Convolutional Neural Network;CNN)運用于電腦視覺(jué)前，開(kāi)發(fā)者很多時(shí)候必須自己做決策，包括決定物體偵測的識別器類(lèi)型、建構聚合功能的方法，以及如何處理物體的可變形部件，或是否支持向量機器(support vector machine)等。

　　在深度學(xué)習架構之下，可以把許多步驟整合成一個(gè)，開(kāi)發(fā)者不需自己做決策，因為該架構會(huì )自行判斷。盡管目前有關(guān)嵌入性視覺(jué)SoC的最佳CNN架構仍未有共識，Laganiere深信大規模并行處理架構是有效處理CNN的最佳模式，然而屆時(shí)或需提高Soc的存儲器容量，以應付大量的過(guò)渡數據。

　　嵌入式視覺(jué)聯(lián)盟(Embedded Vision Alliance)創(chuàng )辦人Jeff Bier表示，深度學(xué)習確實(shí)正影響未來(lái)嵌入式視覺(jué)的SoC設計走向，許多企業(yè)皆希望分一杯羹，不過(guò)Bier認為，在視覺(jué)芯片領(lǐng)域經(jīng)營(yíng)多年、已累積充分經(jīng)驗的企業(yè)仍將擁有先行者優(yōu)勢(first mover advantage)。 360°：卷積神經(jīng)網(wǎng)路卷積神經(jīng)網(wǎng)路(Convolutional Neural Network;CNN)，其為一種前饋神經(jīng)網(wǎng)路(Feedforward Neural Network)。卷積神經(jīng)網(wǎng)路對于大型圖像處理表現出色。其特別在模式分類(lèi)等科學(xué)領(lǐng)域是研究重點(diǎn)，因為卷積神經(jīng)網(wǎng)路可以避免對圖像的前期預處理，進(jìn)而直接輸入原始圖像，所以據傳可獲得更廣泛的應用。

　　卷積神經(jīng)網(wǎng)路的基本結構包含兩層。一為特征提取層，其神經(jīng)元的輸入與前一層的局部接受域相連，提取相關(guān)局部的特征。另一層為特征映射層，卷積神經(jīng)網(wǎng)路的計算層由多個(gè)特征映射而成，每個(gè)映射為一平面，上面的神經(jīng)元權值相等。

　　卷積神經(jīng)網(wǎng)路主要用途在于，辨識縮放、位移等不同形式扭曲不變性的二維圖形。因為其透過(guò)特征檢測層訓練數據來(lái)進(jìn)行學(xué)習，因此使用時(shí)，會(huì )避免掉顯性的特征抽取，而是從訓練數據中隱性學(xué)習。由于相同特征映射面上的神經(jīng)元權值相同，所以其可并行學(xué)習。

　　卷積神經(jīng)網(wǎng)路被視為一種頗具吸引力的深度學(xué)習(deep learning)結構，比起其他前饋神經(jīng)網(wǎng)路或深度神經(jīng)網(wǎng)路(deep neural network)，其所需估計的參數較少。