Pete Warden，是谷歌TensorFlow团队成员，也是TensorFLow Mobile的负责人，常年遨游在深度学习的大海。
另外，这些看上去很熟悉的书，也是他的作品。
除此之外，皮特有个新的想法要和大家分享——
他坚定地相信，未来的深度学习能够在微型的、低功耗的芯片上自由地奔跑。
换句话说，单片机 （MCU） ，有一天会成为深度学习最肥沃的土壤。
这里面的逻辑走得有些绕，但好像还是有点道理的。
为什么是单片机
单片机遍地都是
根据皮特的估计，今年一年全球会有大约400亿枚单片机 （MCU） 售出。
MCU里面有个小CPU，RAM只有几kb的那种，但医疗设备、汽车设备、工业设备，还有消费级电子产品里，都用得到。
这样的计算机，需要的电量很小，价格也很便宜，大概不到50美分。
之所以得不到重视，是因为一般情况下，MCU都是用来取代 （如洗衣机里、遥控器里的） 那些老式的机电系统——控制机器用的逻辑没有发生什么变化。
能耗才是限制因素
任何需要主电源 （Mains Electricity） 的设备，都有很大的局限性。毕竟，不管到哪都要找地方插电，就算是手机和PC都得经常充电才行。
然而，对智能产品来说，在任何地方都能用、又不用经常维护，才是王道。
所以，先来看下智能手机的各个部位用电有多快——
· 显示器400毫瓦
· 无线电800毫瓦
· 蓝牙100毫瓦
· 加速度计21毫瓦
· 陀螺仪130毫瓦
· GPS 176毫瓦
相比之下，MCU只需要1毫瓦，或者比这更少。可是，一枚纽扣电池拥有2，000焦耳的电量，所以即便是1毫瓦的设备，也只能维持1个月。
当然，现在的设备大多用占空比 （Duty Cycling） ，来避免每个部件一直处在工作状态。不过，即便是这样，电量分配还是很紧张。
CPU和传感器不太耗电
CPU和传感器的功耗，基本可以降到微瓦级，比如高通的Glance视觉芯片。
相比之下，显示器和无线电，就尤其耗电了。即便是WiFi和蓝牙也至少要几十毫瓦。
因为，数据传输需要的能量，似乎与传输距离成正比。CPU和传感器只传几毫米，而无线电的传送距离以米为单位，就要贵得多。
