汽车中的AI：实用深度学习

未来某一天，整个社会可能会对人工智能以安全的方式驾驶车辆从一个地方到另一个地方感到相对舒适。至于这一转折点何时到来，我无法预知；然而，我认为到那时，“智能”部分可能会比“人工”部分更接近“真实”。

与此同时，通过深度学习技术实现的人工智能的实际应用，可以在车辆安全系统的发展中发挥重要作用，而这些车辆的安全系统更容易被普通消费者掌握和使用。

深度学习是一个已有数十年历史的概念，但由于特定的应用、技术（当然还有）通用计算平台的性能，它现在变得更加相关。深度学习的“深度”来自于在输入层和输出层之间实现的隐藏层数量，这些隐藏层通过数学处理（过滤/卷积）每层之间的数据，以达到最终结果。在一个视觉系统中，与“宽”网络相比，“深”网络倾向于通过逐层识别特征，构建更通用的识别能力，从而实现最终的期望输出。这些多层结构的优势在于它们能够在不同层次的抽象中学习特征。

例如，如果你训练一个深度卷积神经网络（CNN）来对图像进行分类，第一层会学会识别非常基本的元素，如边缘。下一层学会识别边缘的集合，这些集合形成形状。再下一层学会识别形状的集合，如眼睛或鼻子，而最后一层将学会更高层次的特征，如面部。多层结构之所以更擅长泛化，是因为它们能够学习从原始数据到高级分类之间的所有中间特征。这种在多层中的泛化能力，如图1所示，对于最终用途（例如分类交通标志，或者识别戴墨镜、帽子或其他遮挡物的特定面部）是非常有利的。

图1 简化的交通标志示例

深度学习的“学习”特性来自于训练过程中的迭代（反向传播），通过这种方式，分层网络能够学会如何根据大量已知输入及其期望输出产生更准确的结果（见图2）。这种学习过程通过迭代减少错误，并最终使分层函数的结果符合整个系统的要求，为目标应用提供非常强大的解决方案。这种类型的学习、分层和互连类似于生物神经系统，因此支持了人工智能的概念。

图2 简化的反向传播示例

尽管深度学习的有效性似乎会长期存在，但其实际应用仍面临一些挑战。如果应用是嵌入式的，并且对系统限制较为敏感（例如总体成本、功耗和有限的计算能力），那么支持深度学习的系统设计必须考虑这些限制。设计人员可以使用前端工具，如 Caffe（最初由加州大学伯克利分校开发的深度学习框架）或 TensorFlow（谷歌的产物），来开发整体网络、层及其对应的函数，以及目标结果的训练和验证。一旦完成这些工作，针对嵌入式处理器的工具可以将前端工具的输出转换为可在该嵌入式设备上执行的软件。德州仪器深度学习（TIDL）框架（见图3）支持在德州仪器 TDAx 汽车处理器上运行基于深度学习/卷积神经网络（CNN）的应用程序，以在高效、嵌入式的平台上提供极具吸引力的高级驾驶辅助系统（ADAS）功能。

图3 TIDL框架（TI设备转换器和深度学习库）

TIDL框架为嵌入式开发提供了快速的平台抽象和软件可扩展性，针对TI硬件实现了高度优化的内核以加速CNNs，并提供了一个转换器，能够将来自开放框架（如Caffe和TensorFlow）的网络转换为使用TIDL应用程序接口（APIs）的嵌入式框架。如需了解该解决方案的更多详细信息，请阅读白皮书《TIDL：嵌入式低功耗深度学习》，并查看附加资源中列出的视频。