TensorFlow ekip üyeleri şunları söylüyor: Derin öğrenmenin geleceği mikro denetleyicide yatıyor
Pete Warden'in Blogundan derlenen taşınabilir kestane
Qubit Üretildi | Genel Hesap QbitAI
Google TensorFlow ekibinin bir üyesi ve TensorFlow Mobile'ın başkanı Pete Warden, tüm yıl boyunca derin öğrenme denizinde seyahat ediyor.
Ayrıca, görünüşte tanıdık olan bu kitaplar da onun eserleridir.
Ayrıca Pete'in herkesle paylaşacağı yeni bir fikri var
Geleceğin Derin öğrenme Yapabilmek minyatür nın-nin, Düşük güç tüketimi Çip üzerinde özgürce çalıştırın.
Diğer bir deyişle, MCU (MCU) bir gün derin öğrenme için en verimli toprak olacak.
Buradaki mantık biraz dolambaçlı ama yine de mantıklı görünüyor.
MCU neden
MCU her yerde
Peter'ın tahminlerine göre, yaklaşık olarak 40 milyar Tek çipli bir mikro bilgisayar (MCU) satıldı.
MCU'da küçük bir CPU ve yalnızca RAM var Birkaç kb Ancak tıbbi ekipman, otomotiv ekipmanı, endüstriyel ekipman ve tüketici elektroniği ürünlerinde kullanılabilir.
Böyle bir bilgisayar çok az güç gerektirir ve fiyatı çok ucuzdur, muhtemelen 50 sentten daha azdır.
Ciddiye alınmamasının nedeni, normal şartlar altında MCU'ların bu eski moda elektromekanik sistemlerin (çamaşır makineleri ve uzaktan kumandalarda olduğu gibi) yerine kullanılmasıdır - makineyi kontrol etmek için kullanılan mantık değişmemiştir.
Enerji tüketimi sınırlayıcı faktördür
Herhangi bir ihtiyaç Şebeke Elektrik Tüm ekipmanın büyük sınırlamaları vardır. Ne de olsa, nereye giderseniz gidin fişe takabileceğiniz bir yer bulmanız gerekiyor, hatta cep telefonlarının ve PC'lerin bile sık sık şarj edilmesi gerekiyor.
Ancak akıllı ürünler için sık sık bakım gerektirmeden her yerde kullanılabilir.
Öyleyse bir göz atalım akıllı telefon Elektrik tüketiminin çeşitli kısımları ne kadar hızlı
· 400 mW ekran
· Radyo 800 mW
Bluetooth 100 mW
· İvmeölçer 21 mW
· 130 mW jiroskop
GPS 176 mW
Aksine, MCU yalnızca 1 miliwatt veya daha azına ihtiyaç duyar. Bununla birlikte, bir düğme pilinin 2.000 jul gücü vardır, bu nedenle 1 miliwattlık bir cihaz bile yalnızca bir ay dayanabilir.
Elbette, mevcut ekipmanların çoğu Görev döngüsü Her bileşenden kaçınmak için (Görev Döngüsü) Her zaman Çalışma durumunda. Bununla birlikte, buna rağmen, güç dağılımı hala çok sıkı.
CPU ve sensörler daha az güç tüketir
CPU ve sensörlerin güç tüketimi, temelde Qualcomm'un Glance görüntü çipi gibi mikro dalgalara indirgenebilir.
Aksine, monitörler ve radyolar özellikle güç tüketiyor. WiFi ve Bluetooth bile en az on miliwatt'tır.
Çünkü veri iletimi için gereken enerji, iletim mesafesiyle ilişkili görünmektedir. Orantılı . Yalnızca CPU ve sensör geçer Birkaç milimetre , Ve telsizin iletim mesafesi metre cinsinden çok daha pahalıdır.
Sensör verileri nereye gitti
Sensörlerin elde edebileceği veriler, insanların kullanabileceği verilerden çok daha fazlasıdır.
Pete bir keresinde mikro uydu atışıyla uğraşan bir kuşatma aslanıyla konuşmuştu.
Temelde yüksek çözünürlüklü video çekmek için cep telefonu kameralarını kullanıyorlar. Ancak sorun şu ki, uyduların veri depolama kapasitesi çok küçük ve iletim bant genişliği de çok sınırlı.Yeryüzünden her saat sadece küçük bir miktar veri indirilebilir.
Dünya dışı olayları içermese bile, dünyadaki birçok algılayıcı bu tür bir utançla karşılaşacaktır.
Çok ilginç bir kestane, Pete'den iyi bir arkadaş, her Aralık ayında evinde internet trafiği patlayacak. Daha sonra, video indirmenin sıkıştırma oranını etkileyen şeyin Noel için asılı renkli ışıklar olduğunu keşfetti ve çok sayıda kare indirdi.
Derin öğrenmeyle ne ilgisi var
Yukarıdakiler biraz mantıklı geliyorsa, teknolojinin dokunmasını bekleyen büyük bir pazar var.
İhtiyacımız olan şey mikrodenetleyicide çalışabilmek, çok fazla güce ihtiyaç duymamak, Hesaplama bağlı değil radyo , Ve aksi takdirde israf olacak sensör verilerini, ekipmanı kullanabilir.
Bu aynı zamanda makine öğreniminin, özellikle derin öğrenmenin kapatması gereken boşluktur.
Cennette yapılan bir maç
Derin öğrenme yukarıda söylediğim şey Hesaplama açısından yoğun , Mevcut MCU üzerinde çok rahat çalışabilir.
Bu çok önemlidir, çünkü diğer birçok uygulama Ne kadar kısa Çok olsun depolama alanı "Bu tür kısıtlamalar.
Aksine, sinir ağları zamanlarının çoğunu matris Onları çarpın ve aynı sayıyı defalarca kullanın, ancak kombinasyon farklıdır.
Bu tür bir hesaplama, elbette, DRAM'den çok sayıda değer okumaktan çok daha düşük karbon.
Çok fazla veriye ihtiyacınız yoksa, depolamak için SRAM gibi düşük güçlü cihazları kullanabilirsiniz.
Bu şekilde, derin öğrenme, özellikle 8 bit hesaplamaların kayan nokta işlemlerinin yerini alabildiği durumlarda, MCU'lar için en uygun olanıdır.
Derin öğrenme çok düşük karbonludur
Pete çok zaman harcadı Her operasyon Ne kadara ihtiyacın var Picojoule .
Örneğin, MobileNetV2'nin görüntü sınıflandırma ağının en basit yapısı, yaklaşık 22 milyon işlem gerektirir.
Her hesaplama 5 pikojul ve saniyede bir kare gerektiriyorsa, bu ağın gücü 110 mikro dalgadır ve bu, bir düğme pille yaklaşık bir yıl dayanabilir.
Sensörlere de dost
Son yıllarda insanlar, görüntüler, ses, ivme ölçer verileri gibi gürültü sinyallerini işlemek için sinir ağlarını kullandılar.
Sinir ağı MCU'da çalıştırılabiliyorsa, boşa harcanmak yerine daha büyük miktarda sensör verisi işlenebilir.
O zaman, ister ses etkileşimi ister görüntü tanıma olsun, daha taşınabilir hale gelecektir.
Yine de, bu sadece bir ideal.
Son cümle
Elbette, TensorFlow Mobile'ın patronu hala taşınabilir cihazlarla dolu.
Orijinal Portal:
https://petewarden.com/2018/06/11/why-the-future-of-machine-learning-is-tiny/
