深度学习与SoC设计在一起将碰撞出怎样的火花？

　　NVIDIA Drive PX平台拥有深度学习能力，可将现实环境学习结果反馈回资料中心。NVIDIA官网许多系统单芯片（SoC）大厂已开始投入具备深度学习（deep learning）技术的产品，SoC设计走向、机制及功能正受其影响而产生转变，智能型汽车、手机及穿戴式装置皆有望因而提升性能表现，不过若要运用于移动装置，则须先克服功耗及生态环境等问题。

　　据EE Times报导，深度学习正改变电脑与真实世界的互动方式，SoC制造商对其热忱亦逐渐浮现。

　　绘图芯片大厂NVIDIA在CES 2015上推出的Drive PX平台拥有深度学习能力，搭载该系统的智能型汽车可将在现实环境的学习结果反馈回资料中心，并透过定期更新不断提升表现，而不再只是提供基本的环境侦测。

　　高通（Qualcomm）于2015年3月推出的认知运算平台Zeroth据称可模拟人脑，并将于未来运用在最新AP产品Snapdragon 820上。尽管目前高通并未释出相关细节，但表示Zeroth平台将具备电脑视觉（computer vision）、装置上深度学习及智能相机等功能，让移动装置可辨识场景、物体以及解读文字和笔迹。

　　百度科学家吴韧受访时表示，移动装置的处理能力成长迅速，未来无需与云端连结即可运行深度学习功能的愿景有望实现。不过，将深度学习引入手机及穿戴式装置中仍将面临三大难题，分别是缺乏杀手级应用（Killer App）、能否建立起协作良好的生态系统，以及如何于运行该功能时维持低电源消耗。

　　渥太华大学（University of Ottawa）电子工程及电脑科学院教授Robert Laganiere指出，在卷积神经网路（Convolutional Neural Network；CNN）运用于电脑视觉前，开发者很多时候必须自己做决策，包括决定物体侦测的识别器类型、建构聚合功能的方法，以及如何处理物体的可变形部件，或是否支持向量机器（support vector machine）等。

　　在深度学习架构之下，可以把许多步骤整合成一个，开发者不需自己做决策，因为该架构会自行判断。尽管目前有关嵌入性视觉SoC的最佳CNN架构仍未有共识，Laganiere深信大规模并行处理架构是有效处理CNN的最佳模式，然而届时或需提高Soc的存储器容量，以应付大量的过渡数据。

　　嵌入式视觉联盟（Embedded Vision Alliance）创办人Jeff Bier表示，深度学习确实正影响未来嵌入式视觉的SoC设计走向，许多企业皆希望分一杯羹，不过Bier认为，在视觉芯片领域经营多年、已累积充分经验的企业仍将拥有先行者优势（first mover advantage）。 360°：卷积神经网路卷积神经网路（Convolutional Neural Network；CNN），其为一种前馈神经网路（Feedforward Neural Network）。卷积神经网路对于大型图像处理表现出色。其特别在模式分类等科学领域是研究重点，因为卷积神经网路可以避免对图像的前期预处理，进而直接输入原始图像，所以据传可获得更广泛的应用。

　　卷积神经网路的基本结构包含两层。一为特征提取层，其神经元的输入与前一层的局部接受域相连，提取相关局部的特征。另一层为特征映射层，卷积神经网路的计算层由多个特征映射而成，每个映射为一平面，上面的神经元权值相等。

　　卷积神经网路主要用途在于，辨识缩放、位移等不同形式扭曲不变性的二维图形。因为其透过特征检测层训练数据来进行学习，因此使用时，会避免掉显性的特征抽取，而是从训练数据中隐性学习。由于相同特征映射面上的神经元权值相同，所以其可并行学习。

　　卷积神经网路被视为一种颇具吸引力的深度学习（deep learning）结构，比起其他前馈神经网路或深度神经网路（deep neural network），其所需估计的参数较少。