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。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
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。
