AI在汽車中的應用：實用深度學習

深度學習的“深度”層面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）各層之間的資料，從而得出最終結果。在視覺系統中，深度（vs.寬度）網路傾向於利用已識別的特徵，通過構建更深的網路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徵。

在未來的某個時候，人們必定能夠相對自如地運用人工智慧，安全地駕車出行。這個時刻何時到來我無法預見；但我相信，彼時“智慧”會顯現出更“切實”的意義。

與此同時，通過深度學習方法，人工智慧的實際應用能夠在汽車安全系統的發展進步中發揮重要的作用。而這些系統遠不止僅供典型消費者群體掌握和使用。

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式、技術以及通用計算平臺上的可用效能更密切相關。深度學習的“深度”層面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）各層之間的資料，從而得出最終結果。在視覺系統中，深度（vs.寬度）網路傾向於利用已識別的特徵，通過構建更深的網路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徵。

例如，若訓練深度卷積神經網路（CNN）來對影象進行分類，則第一層學習識別邊緣等最基本的東西。下一層學習識別成形的邊緣的集合。後續圖層學習識別諸如眼或鼻這樣的形狀的集合，而最後一層將學習甚至更高階（如面部）的特徵。多層更擅長進行歸納，因為它們可以學習原始資料和高階分類之間的所有中間特徵。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，或者儘管存在墨鏡、帽子和/或其他型別的障礙物，也可能識別特定面部。

圖 1：簡易交通標誌示例

深度學習的“學習”層面源於對分層網路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）的迭代。這種學習減少了那些迭代產生的錯誤，並最終獲得分層函式的結果，以滿足整體系統需求，併為目標應用程式提供極其穩健的解決方案。這種學習/分層/互連型別類似於生物神經系統，因此支援人工智慧的概念。

圖 2：簡易反向傳播示例

儘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。對於容易受到系統限制因素（如總體成本、功耗和擴充套件計算能力）影響的嵌入式應用程式而言，在設計支援深度學習功能的系統時必須考慮這些限制因素。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（谷歌的發明）來開發總網路、層和相應的功能，以及目標最終結果的培訓和驗證。完成此操作後，針對嵌入式處理器的工具可將前端工具的輸出轉換為可在該嵌入式器件上或該嵌入式器件中執行的軟體。

TI深度學習（TIDL）框架（圖3）支援在TI TDAx汽車處理器上執行的深度學習/基於CNN的應用程式，以在高效的嵌入式平臺上提供極具吸引力的高階駕駛輔助系統（ADAS）功能。

圖 3：TIDL框架（TI器件轉換器和深度學習庫）

TIDL框架為軟體可擴充套件性提供快速嵌入式開發和平臺抽象；在TI硬體上實現用於加速CNN的高度優化的核心，以及支援從開放框架（如Caffe和TensorFlow）到使用TIDL應用程式程式設計介面的嵌入式框架進行網路轉換的轉換器。

原文釋出時間為：2018-09-17

本文作者：德州儀器Joe Folkens

本文來自雲棲社群合作伙伴“ OTA0NzE2NA==&mid=2247497912&idx=3&sn=fe0919f1d8a4538a4444a2ea1e01776b&chksm=fc8619abcbf190bd5c5dcc1a011e2c2ee6c6638d849a7208c07ef48b7351b7d197c2b0277fa5&scene=0#rd" target="_blank" rel="nofollow,noindex">專知 ”，瞭解相關資訊可以關注“ 專知 ”。