果然，TensorFlow Mobile的老大，滿腦子還是便攜設備的事。

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，但醫療設備、汽車設備、工業設備，還有消費級電子產品里，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——控制機器用的邏輯沒有發生什么變化。

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都得經常充電才行。

然而，對智能產品來說，在任何地方都能用、又不用經常維護，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?，一枚紐扣電池擁有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。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，數據傳輸需要的能量，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。

傳感器的數據都去哪了

傳感器能獲取的數據，比人們能用到的數據，多得多。皮特曾經和從事微型衛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，衛星的數據存儲量很小，傳輸帶寬也很有限，從地球上每小時只能下載到一點點數據。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，他家上網流量就會用到爆炸。后來，他發現是那些給圣誕節掛的彩燈，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來挖掘。我們需要的是，能夠在單片機上運轉的，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據利用起來的。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，神經網絡大部分的時間，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里讀取大量的數值，要低碳得多。需要的數據沒那么多的話，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的圖像分類網絡，的最簡單的結構，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，人們用神經網絡來處理噪音信號，比如圖像、音頻、加速度計的數據等等。

如果可以在MCU上運行神經網絡，那么更大量的傳感器數據就可以得到處理，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。