作者：德州儀器Joe Folkens

在未來的某個時候，人們必定能夠相對自如地運用人工智能，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“智能”會顯現(xiàn)出更“切實”的意義。

與此同時，通過深度學習方法，人工智能的實際應用能夠在汽車安全系統(tǒng)的發(fā)展進步中發(fā)揮重要的作用。而這些系統(tǒng)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序、技術以及通用計算平臺上的可用性能更密切相關。深度學習的“深度”層面源于輸入層和輸出層之間實現(xiàn)的隱含層數(shù)目，隱含層利用數(shù)學方法處理（篩選/卷積）各層之間的數(shù)據(jù)，從而得出最終結果。在視覺系統(tǒng)中，深度（vs.寬度）網(wǎng)絡傾向于利用已識別的特征，通過構建更深的網(wǎng)絡最終來實現(xiàn)更通用的識別。這些多層的優(yōu)點是各種抽象層次的學習特征。

例如，若訓練深度卷積神經(jīng)網(wǎng)絡（CNN）來對圖像進行分類，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。后續(xù)圖層學習識別諸如眼或鼻這樣的形狀的集合，而最后一層將學習甚至更高階（如面部）的特征。多層更擅長進行歸納，因為它們可以學習原始數(shù)據(jù)和高級分類之間的所有中間特征。如圖1所示，這種跨越多層的歸納對于最終用例是有利的，如對交通標志進行分類，或者盡管存在墨鏡、帽子和/或其他類型的障礙物，也可能識別特定面部。

圖1：簡易交通標志示例

深度學習的“學習”層面源于對分層網(wǎng)絡如何在給定大量已知輸入及其期望輸出的情況下產(chǎn)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(chǎn)生的錯誤，并最終獲得分層函數(shù)的結果，以滿足整體系統(tǒng)需求，并為目標應用程序提供極其穩(wěn)健的解決方案。這種學習/分層/互連類型類似于生物神經(jīng)系統(tǒng)，因此支持人工智能的概念。

圖2：簡易反向傳播示例

盡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(zhàn)。對于容易受到系統(tǒng)限制因素（如總體成本、功耗和擴展計算能力）影響的嵌入式應用程序而言，在設計支持深度學習功能的系統(tǒng)時必須考慮這些限制因素。開發(fā)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(fā)的深度學習框架）或TensorFlow（谷歌的發(fā)明）來開發(fā)總網(wǎng)絡、層和相應的功能，以及目標最終結果的培訓和驗證。完成此操作后，針對嵌入式處理器的工具可將前端工具的輸出轉(zhuǎn)換為可在該嵌入式器件上或該嵌入式器件中執(zhí)行的軟件。

TI深度學習（TIDL）框架（圖3）支持在TI TDAx汽車處理器上運行的深度學習/基于CNN的應用程序，以在高效的嵌入式平臺上提供極具吸引力的高級駕駛輔助系統(tǒng)（ADAS）功能。

TIDL框架為軟件可擴展性提供快速嵌入式開發(fā)和平臺抽象；在TI硬件上實現(xiàn)用于加速CNN的高度優(yōu)化的內(nèi)核，以及支持從開放框架（如Caffe和TensorFlow）到使用TIDL應用程序編程界面的嵌入式框架進行網(wǎng)絡轉(zhuǎn)換的轉(zhuǎn)換器。

有關此解決方案的更多詳細信息，請閱讀白皮書“TIDL：嵌入式低功耗深度學習，” 并查看其它資源中的視頻。

審核編輯：何安