深度學習熱潮涌現　影響SoC設計與運用

　　NVIDIA Drive PX平臺擁有深度學習能力，可將現實環(huán)境學習結果反饋回資料中心。NVIDIA官網許多系統(tǒng)單芯片(SoC)大廠已開始投入具備深度學習(deep learning)技術的產品，SoC設計走向、機制及功能正受其影響而產生轉變，智能型汽車、手機及穿戴式裝置皆有望因而提升性能表現，不過若要運用于移動裝置，則須先克服功耗及生態(tài)環(huán)境等問題。

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

　　繪圖芯片大廠NVIDIA在CES 2015上推出的Drive PX平臺擁有深度學習能力，搭載該系統(tǒng)的智能型汽車可將在現實環(huán)境的學習結果反饋回資料中心，并透過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據稱可模擬人腦，并將于未來運用在最新AP產品Snapdragon 820上。盡管目前高通并未釋出相關細節(jié)，但表示Zeroth平臺將具備電腦視覺(computer vision)、裝置上深度學習及智能相機等功能，讓移動裝置可辨識場景、物體以及解讀文字和筆跡。

　　百度科學家吳韌受訪時表示，移動裝置的處理能力成長迅速，未來無需與云端連結即可運行深度學習功能的愿景有望實現。不過，將深度學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(tǒng)，以及如何于運行該功能時維持低電源消耗。

　　渥太華大學(University of Ottawa)電子工程及電腦科學院教授Robert Laganiere指出，在卷積神經網路(Convolutional Neural Network;CNN)運用于電腦視覺前，開發(fā)者很多時候必須自己做決策，包括決定物體偵測的識別器類型、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。

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

　　嵌入式視覺聯盟(Embedded Vision Alliance)創(chuàng)辦人Jeff Bier表示，深度學習確實正影響未來嵌入式視覺的SoC設計走向，許多企業(yè)皆希望分一杯羹，不過Bier認為，在視覺芯片領域經營多年、已累積充分經驗的企業(yè)仍將擁有先行者優(yōu)勢(first mover advantage)。 360°：卷積神經網路卷積神經網路(Convolutional Neural Network;CNN)，其為一種前饋神經網路(Feedforward Neural Network)。卷積神經網路對于大型圖像處理表現出色。其特別在模式分類等科學領域是研究重點，因為卷積神經網路可以避免對圖像的前期預處理，進而直接輸入原始圖像，所以據傳可獲得更廣泛的應用。

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

　　卷積神經網路主要用途在于，辨識縮放、位移等不同形式扭曲不變性的二維圖形。因為其透過特征檢測層訓練數據來進行學習，因此使用時，會避免掉顯性的特征抽取，而是從訓練數據中隱性學習。由于相同特征映射面上的神經元權值相同，所以其可并行學習。

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