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(yù)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(xué)習(xí)方法，人工智能的實際應(yīng)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(xué)習(xí)這一概念在幾十年前就已提出，但如今它與特定的應(yīng)用程序、技術(shù)以及通用計算平臺上的可用性能更密切相關(guān)。深度學(xué)習(xí)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(xué)方法處理（篩選/卷積）各層之間的數(shù)據(jù)，從而得出最終結(jié)果。在視覺系統(tǒng)中，深度（vs.寬度）網(wǎng)絡(luò)傾向于利用已識別的特征，通過構(gòu)建更深的網(wǎng)絡(luò)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(xué)習(xí)特征。

　　例如，若訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）來對圖像進行分類，則第一層學(xué)習(xí)識別邊緣等最基本的東西。下一層學(xué)習(xí)識別成形的邊緣的集合。后續(xù)圖層學(xué)習(xí)識別諸如眼或鼻這樣的形狀的集合，而最后一層將學(xué)習(xí)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(xué)習(xí)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(xué)習(xí)的“學(xué)習(xí)”層面源于對分層網(wǎng)絡(luò)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(jié)果（圖2）所需的訓(xùn)練（反向傳播）的迭代。這種學(xué)習(xí)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(jié)果，以滿足整體系統(tǒng)需求，并為目標應(yīng)用程序提供極其穩(wěn)健的解決方案。這種學(xué)習(xí)/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(xué)習(xí)具有效力，但其在實際應(yīng)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(yīng)用程序而言，在設(shè)計支持深度學(xué)習(xí)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(xué)伯克利分校開發(fā)的深度學(xué)習(xí)框架）或TensorFlow（谷歌的發(fā)明）來開發(fā)總網(wǎng)絡(luò)、層和相應(yīng)的功能，以及目標最終結(jié)果的培訓(xùn)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(xué)習(xí)（TIDL）框架（圖3）支持在TI TDAx汽車處理器上運行的深度學(xué)習(xí)/基于CNN的應(yīng)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。

　　圖 3：TIDL框架（TI器件轉(zhuǎn)換器和深度學(xué)習(xí)庫）

　　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(yīng)用程序編程界面的嵌入式框架進行網(wǎng)絡(luò)轉(zhuǎn)換的轉(zhuǎn)換器。