系统为物联网设备带来深度学习

深度学习无处不在。人工智能的这一分支负责管理您的社交媒体并提供您的Google搜索结果。不久，深度学习还可以检查您的体能或设置恒温器。麻省理工学院的研究人员开发了一种系统，该系统可以将深度学习神经网络引入新的甚至更小的地方，例如可穿戴医疗设备，家用电器中的微型计算机芯片以及构成“物联网”的2500亿其他物体(物联网)。

该系统称为MCUNet，它设计了紧凑的神经网络，尽管内存和处理能力有限，但它们为IoT设备上的深度学习提供了空前的速度和准确性。该技术可以促进物联网领域的扩展，同时节省能源并提高数据安全性。

物联网

物联网诞生于1980年代初期。卡内基·梅隆大学(Carnegie Mellon University)的研究生，包括迈克·卡扎尔(Mike Kazar '78)，将可乐机器连接到互联网。该小组的动机很简单：懒惰。他们想使用计算机来确认机器是否已存货，然后再从办公室徒步旅行进行购买。这是世界上第一台连接互联网的设备。微软工程师卡扎尔说：“这几乎被当成是玩笑的笑话。” “没有人期望互联网上有数十亿台设备。”

自该可乐机问世以来，日常物品已越来越多地联网到不断增长的物联网中。其中包括从可穿戴式心脏监护仪到智能冰箱的所有信息，这些信息可以告诉您何时喝低牛奶。物联网设备通常在微控制器上运行，这些微控制器是无操作系统的简单计算机芯片，具有最小的处理能力，并且内存不到典型智能手机的千分之一。因此，深度学习等模式识别任务很难在IoT设备上本地运行。对于复杂的分析，物联网收集的数据通常被发送到云中，使其容易受到黑客攻击。

汉说：“我们如何直接在这些小型设备上部署神经网络?这是一个新的研究领域，而且越来越热。” “像Google和ARM这样的公司都在朝这个方向努力。” 汉也是。

通过MCUNet，Han的小组对“微型深度学习”所需的两个组件进行了代码签名-微控制器上神经网络的操作。其中的一个组件是TinyEngine，这是一个类似于操作系统的引导引擎，用于指导资源管理。TinyEngine经过优化，可以运行特定的神经网络结构，该结构由MCUNet的其他组件TinyNAS(一种神经体系结构搜索算法)选择。