汽車中的AI：實(shí)用深度學(xué)習(xí)

未來某一天，整個(gè)社會(huì)可能會(huì)對人工智能以安全的方式駕駛車輛從一個(gè)地方到另一個(gè)地方感到相對舒適。至于這一轉(zhuǎn)折點(diǎn)何時(shí)到來，我無法預(yù)知；然而，我認(rèn)為到那時(shí)，“智能”部分可能會(huì)比“人工”部分更接近“真實(shí)”。

與此同時(shí)，通過深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)的人工智能的實(shí)際應(yīng)用，可以在車輛安全系統(tǒng)的發(fā)展中發(fā)揮重要作用，而這些車輛的安全系統(tǒng)更容易被普通消費(fèi)者掌握和使用。

深度學(xué)習(xí)是一個(gè)已有數(shù)十年歷史的概念，但由于特定的應(yīng)用、技術(shù)（當(dāng)然還有）通用計(jì)算平臺的性能，它現(xiàn)在變得更加相關(guān)。深度學(xué)習(xí)的“深度”來自于在輸入層和輸出層之間實(shí)現(xiàn)的隱藏層數(shù)量，這些隱藏層通過數(shù)學(xué)處理（過濾/卷積）每層之間的數(shù)據(jù)，以達(dá)到最終結(jié)果。在一個(gè)視覺系統(tǒng)中，與“寬”網(wǎng)絡(luò)相比，“深”網(wǎng)絡(luò)傾向于通過逐層識別特征，構(gòu)建更通用的識別能力，從而實(shí)現(xiàn)最終的期望輸出。這些多層結(jié)構(gòu)的優(yōu)勢在于它們能夠在不同層次的抽象中學(xué)習(xí)特征。

例如，如果你訓(xùn)練一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）來對圖像進(jìn)行分類，第一層會(huì)學(xué)會(huì)識別非?；镜脑兀邕吘?。下一層學(xué)會(huì)識別邊緣的集合，這些集合形成形狀。再下一層學(xué)會(huì)識別形狀的集合，如眼睛或鼻子，而最后一層將學(xué)會(huì)更高層次的特征，如面部。多層結(jié)構(gòu)之所以更擅長泛化，是因?yàn)樗鼈兡軌驅(qū)W習(xí)從原始數(shù)據(jù)到高級分類之間的所有中間特征。這種在多層中的泛化能力，如圖1所示，對于最終用途（例如分類交通標(biāo)志，或者識別戴墨鏡、帽子或其他遮擋物的特定面部）是非常有利的。

圖1 簡化的交通標(biāo)志示例

深度學(xué)習(xí)的“學(xué)習(xí)”特性來自于訓(xùn)練過程中的迭代（反向傳播），通過這種方式，分層網(wǎng)絡(luò)能夠?qū)W會(huì)如何根據(jù)大量已知輸入及其期望輸出產(chǎn)生更準(zhǔn)確的結(jié)果（見圖2）。這種學(xué)習(xí)過程通過迭代減少錯(cuò)誤，并最終使分層函數(shù)的結(jié)果符合整個(gè)系統(tǒng)的要求，為目標(biāo)應(yīng)用提供非常強(qiáng)大的解決方案。這種類型的學(xué)習(xí)、分層和互連類似于生物神經(jīng)系統(tǒng)，因此支持了人工智能的概念。

圖2 簡化的反向傳播示例

盡管深度學(xué)習(xí)的有效性似乎會(huì)長期存在，但其實(shí)際應(yīng)用仍面臨一些挑戰(zhàn)。如果應(yīng)用是嵌入式的，并且對系統(tǒng)限制較為敏感（例如總體成本、功耗和有限的計(jì)算能力），那么支持深度學(xué)習(xí)的系統(tǒng)設(shè)計(jì)必須考慮這些限制。設(shè)計(jì)人員可以使用前端工具，如 Caffe（最初由加州大學(xué)伯克利分校開發(fā)的深度學(xué)習(xí)框架）或 TensorFlow（谷歌的產(chǎn)物），來開發(fā)整體網(wǎng)絡(luò)、層及其對應(yīng)的函數(shù)，以及目標(biāo)結(jié)果的訓(xùn)練和驗(yàn)證。一旦完成這些工作，針對嵌入式處理器的工具可以將前端工具的輸出轉(zhuǎn)換為可在該嵌入式設(shè)備上執(zhí)行的軟件。德州儀器深度學(xué)習(xí)（TIDL）框架（見圖3）支持在德州儀器 TDAx 汽車處理器上運(yùn)行基于深度學(xué)習(xí)/卷積神經(jīng)網(wǎng)絡(luò)（CNN）的應(yīng)用程序，以在高效、嵌入式的平臺上提供極具吸引力的高級駕駛輔助系統(tǒng)（ADAS）功能。

圖3 TIDL框架（TI設(shè)備轉(zhuǎn)換器和深度學(xué)習(xí)庫）

TIDL框架為嵌入式開發(fā)提供了快速的平臺抽象和軟件可擴(kuò)展性，針對TI硬件實(shí)現(xiàn)了高度優(yōu)化的內(nèi)核以加速CNNs，并提供了一個(gè)轉(zhuǎn)換器，能夠?qū)碜蚤_放框架（如Caffe和TensorFlow）的網(wǎng)絡(luò)轉(zhuǎn)換為使用TIDL應(yīng)用程序接口（APIs）的嵌入式框架。如需了解該解決方案的更多詳細(xì)信息，請閱讀白皮書《TIDL：嵌入式低功耗深度學(xué)習(xí)》，并查看附加資源中列出的視頻。