TensorFlow技术主管Peter Wardan:机器学习的未来是小而美

  • 时间:
  • 浏览:2
  • 来源:张凯博客 - 专注共享言午博客分享

大数据文摘授权转载自OReillyAIPete Wardan任谷歌TensorFlow移动和嵌入式团队的leader,在O’Reilly AI Conference 2019的Keynote演讲环节,他对机器学习的未来进行了高度剖析。他认为机器学习的未来统统 以小为美。未来,微解决器将要怎样与机器学习一并合作方式方式 ?可有益于够在技术上取得突破?哪些问題报告 值得深思。

想象一下统统 统统 世界:数千亿台设备不仅派发数据,而且会将数据转化为可操作的意见,而哪些意见可有益于够改善数十亿人的生活。

而要做到四种 点,我们都可有益于够了机器学习。而且一般来说,机器学习会消耗大量的系统资源。而且,低功耗,低成本的机器学习是目前可有益于够了探索并寻求突破的。

与此一并,高度神经网络也过多地被应用于改进统统 东西,从广告系统到自动驾驶汽车原型,而且,它们也注定要改造微型计算机(即微控制器)。

而且,Pete在演讲中指出,微型解决器、内嵌解决器是机器学习的未来。

微解决器已无处沒有

Pete首先用Alexa做了统统 小演示,展示了基于网络的机器学习模型要怎样在小型的、内嵌式的解决器上去运行的,以及它可有益于够持续几周的时间。

好的反义词选择用Alexa演示,是肯能这台设备这样联网,也这样Wi-Fi和蓝牙,它统统 在20KB的模型上运行,四种 微型解决器也可有益于够了几百KB的内存。而四种 模型仅仅靠钮扣电池供电,就能独立运行数周的时间。

四种 点非常重要。肯能全世界有25000亿个微解决器,每年出货量达到了 500亿,每年删剪都是20%的增幅,平均成本可有益于够了500美分。统统 的产品肯能非常便宜而且无处沒有。

此外,CPU如今也肯能很便宜了,几乎删剪都是免费的。而且我们都把解决器安装下 设备上日后,却要专门接电线为其供电,比如在机场,四种 供电系统肯能就要花几千美金。

除了布线问題报告 ,还在于,某些场合,比如手术室、工厂车间,肯能并这样大慨的地方去增加电源插座等设备。统统 说,这非常不合理。能源供应问題报告 成了统统 设备的限制因素。

手机需频繁充电的首要原困——高能耗

以我们都现在每天都离不开的手机为例。人太好手机可有益于够了了连接组织组织结构的电源,但它每天都可有益于够了充电。肯能你有几两个甚至几百个电子设备可有益于够了进行打理语录,那肯能你所有的时间都花在充电上了。统统 统统 设备,我们都只好采取即插即用的方式来供电。

智能手机的能耗状况要怎样,为哪些删剪都是频繁充电?请参考以下数据:

  • 显示器大慨使用500毫瓦
  • 有源蜂窝无线电大慨使用5000毫瓦
  • 蓝牙大慨使用5000毫瓦
  • 加传输时延计使用21毫瓦
  • 陀螺仪消耗1500毫瓦
  • GPS消耗176毫瓦

肯能我们都把手机的能耗降到1毫瓦以下,这样仅仅一枚钮扣电池就能支持手机运行统统 月。我们都可有益于够了在统统 的能耗限制下进行设计,有益于保证无所沒有的微解决计算和人工智能技术相得益彰。

传感器数据被浪费的原困——传输能耗过多

现有的CPU做计算四种 是基本这样功耗的,它可有益于够把功耗降到几百微瓦的水平,传感器也是这样。比如,麦克风的功耗也非常低,还有图形传感器。麦克风肯能是几百微瓦的水平,传感器也是可有益于够降到1毫瓦的水平。

而且,微解决器和传感器可有益于够把功耗降到非常低的程度。低功耗的解决方案大大提升了传感器派发数据的能力,它们有益于更频繁地查看可有益于够了的信息。

然而,人太好传感器有益于以很低的功耗获得巨量的数据,而且哪些却这样得到充分的应用。

比如,几年前,一家卫星公司,有益于拍摄统统 高清晰度的图片。而且肯能传输时延的问題报告 ,每个小时可有益于够了下载几百MB的数据,统统 卫星和地面的通讯成本太高了,最终我们都能得到的图片统统 很少的一帕累托图。

此外,比如在工厂上端的温度计,它们可有益于够获取统统 的数据。而且工厂并这样这样多的电力把哪些数据上传到云端,统统 统统 数据也都被浪费了。

高度学习与微解决器的完美配合

对于现有的哪些问題报告 ,技术应该发挥哪些样的作用?要怎样有益于把大量的传感器的数据利用起来,把它的价值发挥出来?可有益于够降低设备能耗?

Pete认为还有很大的市场听候科技去解锁

机器学习在这方面就可有益于够发挥非常重要的作用,具体来说,是高度学习。肯能高度学习有益于够最有效地把哪些混沌的、非社会形态性质的数据利用起来。

高度学习可有益于够解决大量未标记的数据

很少这样人意识到高度学习和微解决器(MCU)的匹配程度。高度学习实际上是基于计算,而删剪都是依靠通讯肯能数据读取来运行的。而且,我们删剪都是可有益于够了很大的内存,统统 可有益于够了大量访问内存。这恰好也符合微解决器的设计,它可有益于够了几百KB的内存,一并每秒可有益于够运行几千万甚至上亿次的指令。

统统 我们都可有益于够用很低的功耗来满足它的学习肯能训练目的。肯能我们都知道对于统统 给定的神经网络系统,它可有益于够了5皮焦(pJ)的能耗来执行统统 操作,肯能用最小的图象识别,它可有益于够了2500万的浮点计算,这样它将共可有益于够了5皮焦*22,000,000=110微焦(µJ)的能量来执行四种 操作。肯能每秒分析一帧,那只可有益于够了110微瓦,这样,用钮扣电池就能供一年的电量,而且可有益于够了了对现有的硬件改进。

谷歌的团队曾在2014年开发了统统 13KB的模型来进行语音识别,而苹果7手机74 也在做类似的研发工作。统统 哪些语音识别团队,就可有益于够在非联网的微型解决器上来进行机器学习和训练。

TensorFlow Lite——赋予移动终端机器学习的能力

2017年,谷歌在Google I/O大会推出TensorFlow Lite,是专门针对移动设备上可运行的高度网络模型简单版。但当时统统 开发者预览版,未推出正式版。

2019年3月,TensorFlow Lite嵌入式平台发布了第统统 实验原型。这是由SparkFun构建的开发板的原型,它有统统 Cortex M4解决器,具有384KB的RAM和1MB的闪存存储。该解决器功率极低,在某些状况下功耗可有益于够了1毫瓦,而且它可有益于够仅凭小型纽扣电池运行统统 天。

Pete在安卓开发峰会上介绍TensorFlow Lite

它删剪在本地嵌入式芯片上运行,不想任何互联网连接,而且最好将其作为语音接口系统的一帕累托图。该模型四种 占用的存储空间可有益于够了20KB,TensorFlow Lite代码的占用空间仅为25KB的Flash,而且只可有益于够了 500KB的RAM即可运行。

TensorFlow Lite 的目标便是移动和嵌入式设备,它赋予了哪些设备在终端本地运行机器学习模型的能力,从而不再可有益于够了向云端服务器发送数据。统统 一来,不但节省了网络流量、减少了时间开销,而且还充分帮助用户保护个人的隐私和敏感信息。

Tensorflow Lite被用来解决了移动设备的图像分类、物体检测、智能聊天的问題报告 。

高度学习未来的应用

高度学习最关键的在于,它不得劲适合把传感器的数据转化为非常有价值的资产。

全语音界面

高度学习的统统 「杀手」应用,他说在不久的将来就会实现,那便是:全语音的界面。统统 的界面用500美分的芯片就可有益于够实现,一并,用统统 钮扣电池就可有益于够维持一年的运行。这样一来,我们都可有益于够只用语音操控,而不再可有益于够了开关肯能是按纽了。所有的机器、设备都可有益于够使用语音通讯的界面。

四种 便宜的芯片还可有益于够用于农业的用途,比如通过图形识别可有益于够用很低的成统统 识别有害杂草,农业工作者便可有益于够精准地施用农药。

预维护模式

另外,还有预测式维护。我们都可有益于够预先知道哪些机器可有益于够出故障。比如针对汽车故障,人不肯能到汽车上端去看发动机哪出了哪些问題报告 ,肯能听出马达的声音出先了问題报告 ,而且我们都可有益于够对模型进行训练,把哪些设备直接插到系统上端,可有益于够了了做新的布线或联网,四种 设备就可有益于够直接告诉你:系统好像出问題报告 了,设备可有益于够了及时维护、维修。当然,四种 模型不须可有益于够了持续上网发出设备信息,统统 当要指在重大事故肯能隐患的日后才会发出通讯。

高度学习未来的应用

未来的世界有更多的肯能性,现在人工智能对于我们都,就像八十年代的电脑一样。我们都真不知道它会发展成哪些样子,而且我们都可有益于够想象一下我们都目前面对的各种问題报告 和挑战,在工作中面临的困难。要怎样用小小的芯片进行机器学习?这方面我们都可有益于够有新的高度去探索,删剪都是新的研究成果去发挥作用。

关于Pete Warden

Pete Warden是谷歌TensorFlow Mobile团队的技术主管,曾担任 Jetpac 的首席技术官,该公司于 2014 年被谷歌收购,因其高度学习技术优化,可在移动和嵌入式设备上运行。他日后曾在Apple从事 GPU 优化图像解决工作。

本文由

大数据文摘

发布在

ITPUB

,转载此文请保持文章删剪性,并请附上文章来源(ITPUB)及本页链接。

原文链接:http://www.itpub.net/2019/07/08/2354/