yucitongshi，tongguoshenduxuexifangfa，rengongzhinengdeshijiyingyongnenggouzaiqicheanquanxitongdefazhanjinbuzhongfahuizhongyaodezuoyong。erzhexiexitongyuanbuzhijingongdianxingxiaofeizhequntizhangwoheshiyong。

 

深度學習這一概念在幾十年前就已提出
，但如今它與特定的應用程序、技術以及通用計算平台上的可用性能更密切相關。深度學習的“深度”層麵源於輸入層和輸出層之間實現的隱含層數目，隱含層利用數學方法處理（篩選/卷積）各層之間的數據，從而得出最終結果。在視覺係統中，深度（vs.寬度）網絡傾向於利用已識別的特征

，通過構建更深的網絡最終來實現更通用的識別。這些多層的優點是各種抽象層次的學習特征。

 

例如，若訓練深度卷積神經網絡（CNN）來lai對dui圖tu像xiang進jin行xing分fen類lei
，則ze第di一yi層ceng學xue習xi識shi別bie邊bian緣yuan等deng最zui基ji本ben的de東dong西xi。下xia一yi層ceng學xue習xi識shi別bie成cheng形xing的de邊bian緣yuan的de集ji合he。後hou續xu圖tu層ceng學xue習xi識shi別bie諸zhu如ru眼yan或huo鼻bi這zhe樣yang的de形xing狀zhuang的de集ji合he，而er最zui後hou一yi層ceng將jiang學xue習xi甚shen至zhi更geng高gao階jie（如麵部）的特征。多層更擅長進行歸納
，因為它們可以學習原始數據和高級分類之間的所有中間特征。如圖1所示，這種跨越多層的歸納對於最終用例是有利的，如對交通標誌進行分類
，或者盡管存在墨鏡
、帽子和/或其他類型的障礙物
，也可能識別特定麵部。

 

圖 1：簡易交通標誌示例

 

深度學習的“學習”層麵源於對分層網絡如何在給定大量已知輸入及其期望輸出的情況下產生更準確結果（圖2）所需的訓練（反向傳播）的(de)迭(die)代(dai)。這(zhe)種(zhong)學(xue)習(xi)減(jian)少(shao)了(le)那(na)些(xie)迭(die)代(dai)產(chan)生(sheng)的(de)錯(cuo)誤(wu)，並(bing)最(zui)終(zhong)獲(huo)得(de)分(fen)層(ceng)函(han)數(shu)的(de)結(jie)果(guo)，以(yi)滿(man)足(zu)整(zheng)體(ti)係(xi)統(tong)需(xu)求(qiu)
，並(bing)為(wei)目(mu)標(biao)應(ying)用(yong)程(cheng)序(xu)提(ti)供(gong)極(ji)其(qi)穩(wen)健(jian)的(de)解(jie)決(jue)方(fang)案(an)。這(zhe)種(zhong)學(xue)習(xi)/分層/互連類型類似於生物神經係統
，因此支持人工智能的概念。

 

圖 2：簡易反向傳播示例

 

盡管深度學習具有效力，但其在實際應用中也遇到了一些挑戰。對於容易受到係統限製因素（如總體成本
、功耗和擴展計算能力）影響的嵌入式應用程序而言
，在設計支持深度學習功能的係統時必須考慮這些限製因素。開發人員可以使用前端工具
，如Caffe（最初由加州大學伯克利分校開發的深度學習框架）或TensorFlow（穀歌的發明）來開發總網絡、層(ceng)和(he)相(xiang)應(ying)的(de)功(gong)能(neng)，以(yi)及(ji)目(mu)標(biao)最(zui)終(zhong)結(jie)果(guo)的(de)培(pei)訓(xun)和(he)驗(yan)證(zheng)。完(wan)成(cheng)此(ci)操(cao)作(zuo)後(hou)，針(zhen)對(dui)嵌(qian)入(ru)式(shi)處(chu)理(li)器(qi)的(de)工(gong)具(ju)可(ke)將(jiang)前(qian)端(duan)工(gong)具(ju)的(de)輸(shu)出(chu)轉(zhuan)換(huan)為(wei)可(ke)在(zai)該(gai)嵌(qian)入(ru)式(shi)器(qi)件(jian)上(shang)或(huo)該(gai)嵌(qian)入(ru)式(shi)器(qi)件(jian)中(zhong)執(zhi)行(xing)的(de)軟(ruan)件(jian)。

 

TI深度學習（TIDL）框架（圖3）支持在TI TDAx汽車處理器上運行的深度學習/基於CNN的應用程序，以在高效的嵌入式平台上提供極具吸引力的高級駕駛輔助係統（ADAS）功能。

 

圖 3：TIDL框架（TI器件轉換器和深度學習庫）

 

TIDL框架為軟件可擴展性提供快速嵌入式開發和平台抽象；在TI硬件上實現用於加速CNN的高度優化的內核
，以及支持從開放框架（如Caffe和TensorFlow）到使用TIDL應用程序編程界麵的嵌入式框架進行網絡轉換的轉換器。

 

有關此解決方案的更多詳細信息，請閱讀白皮書“TIDL：嵌入式低功耗深度學習
，” 並查看其它資源中的視頻。

 

其他資源：

 

●    觀看基於深度學習的語義分割的現場演示：

●    嵌入式視覺聯盟的現場演示.

●    在TDA處理器上.

●    TDA2和TDA3處理器上的EuroNCAP前置攝像頭。

 

 

免責聲明：本文為轉載文章，轉載此文目的在於傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題
，請聯係小編進行處理。

 

推薦閱讀：