NVIDIA Drive PX平臺擁有深度學(xué)習(xí)能力，可將現(xiàn)實(shí)環(huán)境學(xué)習(xí)結(jié)果反饋回資料中心。NVIDIA官網(wǎng)許多系統(tǒng)單芯片(SoC)大廠已開始投入具備深度學(xué)習(xí)(deep learning)技術(shù)的產(chǎn)品，SoC設(shè)計(jì)走向、機(jī)制及功能正受其影響而產(chǎn)生轉(zhuǎn)變，智能型汽車、手機(jī)及穿戴式裝置皆有望因而提升性能表現(xiàn)，不過若要運(yùn)用于移動(dòng)裝置，則須先克服功耗及生態(tài)環(huán)境等問題。

　　據(jù)EE Times報(bào)導(dǎo)，深度學(xué)習(xí)正改變電腦與真實(shí)世界的互動(dòng)方式，SoC制造商對其熱忱亦逐漸浮現(xiàn)。

　　繪圖芯片大廠NVIDIA在CES 2015上推出的Drive PX平臺擁有深度學(xué)習(xí)能力，搭載該系統(tǒng)的智能型汽車可將在現(xiàn)實(shí)環(huán)境的學(xué)習(xí)結(jié)果反饋回資料中心，并透過定期更新不斷提升表現(xiàn)，而不再只是提供基本的環(huán)境偵測。

　　高通(Qualcomm)于2015年3月推出的認(rèn)知運(yùn)算平臺Zeroth據(jù)稱可模擬人腦，并將于未來運(yùn)用在最新AP產(chǎn)品Snapdragon 820上。盡管目前高通并未釋出相關(guān)細(xì)節(jié)，但表示Zeroth平臺將具備電腦視覺(computer vision)、裝置上深度學(xué)習(xí)及智能相機(jī)等功能，讓移動(dòng)裝置可辨識場景、物體以及解讀文字和筆跡。

　　百度科學(xué)家吳韌受訪時(shí)表示，移動(dòng)裝置的處理能力成長迅速，未來無需與云端連結(jié)即可運(yùn)行深度學(xué)習(xí)功能的愿景有望實(shí)現(xiàn)。不過，將深度學(xué)習(xí)引入手機(jī)及穿戴式裝置中仍將面臨三大難題，分別是缺乏殺手級應(yīng)用(Killer App)、能否建立起協(xié)作良好的生態(tài)系統(tǒng)，以及如何于運(yùn)行該功能時(shí)維持低電源消耗。

　　渥太華大學(xué)(University of Ottawa)電子工程及電腦科學(xué)院教授Robert Laganiere指出，在卷積神經(jīng)網(wǎng)路(Convolutional Neural Network;CNN)運(yùn)用于電腦視覺前，開發(fā)者很多時(shí)候必須自己做決策，包括決定物體偵測的識別器類型、建構(gòu)聚合功能的方法，以及如何處理物體的可變形部件，或是否支持向量機(jī)器(support vector machine)等。

　　在深度學(xué)習(xí)架構(gòu)之下，可以把許多步驟整合成一個(gè)，開發(fā)者不需自己做決策，因?yàn)樵摷軜?gòu)會(huì)自行判斷。盡管目前有關(guān)嵌入性視覺SoC的最佳CNN架構(gòu)仍未有共識，Laganiere深信大規(guī)模并行處理架構(gòu)是有效處理CNN的最佳模式，然而屆時(shí)或需提高Soc的存儲(chǔ)器容量，以應(yīng)付大量的過渡數(shù)據(jù)。

　　嵌入式視覺聯(lián)盟(Embedded Vision Alliance)創(chuàng)辦人Jeff Bier表示，深度學(xué)習(xí)確實(shí)正影響未來嵌入式視覺的SoC設(shè)計(jì)走向，許多企業(yè)皆希望分一杯羹，不過Bier認(rèn)為，在視覺芯片領(lǐng)域經(jīng)營多年、已累積充分經(jīng)驗(yàn)的企業(yè)仍將擁有先行者優(yōu)勢(first mover advantage)。 360°：卷積神經(jīng)網(wǎng)路卷積神經(jīng)網(wǎng)路(Convolutional Neural Network;CNN)，其為一種前饋神經(jīng)網(wǎng)路(Feedforward Neural Network)。卷積神經(jīng)網(wǎng)路對于大型圖像處理表現(xiàn)出色。其特別在模式分類等科學(xué)領(lǐng)域是研究重點(diǎn)，因?yàn)榫矸e神經(jīng)網(wǎng)路可以避免對圖像的前期預(yù)處理，進(jìn)而直接輸入原始圖像，所以據(jù)傳可獲得更廣泛的應(yīng)用。

　　卷積神經(jīng)網(wǎng)路的基本結(jié)構(gòu)包含兩層。一為特征提取層，其神經(jīng)元的輸入與前一層的局部接受域相連，提取相關(guān)局部的特征。另一層為特征映射層，卷積神經(jīng)網(wǎng)路的計(jì)算層由多個(gè)特征映射而成，每個(gè)映射為一平面，上面的神經(jīng)元權(quán)值相等。

　　卷積神經(jīng)網(wǎng)路主要用途在于，辨識縮放、位移等不同形式扭曲不變性的二維圖形。因?yàn)槠渫高^特征檢測層訓(xùn)練數(shù)據(jù)來進(jìn)行學(xué)習(xí)，因此使用時(shí)，會(huì)避免掉顯性的特征抽取，而是從訓(xùn)練數(shù)據(jù)中隱性學(xué)習(xí)。由于相同特征映射面上的神經(jīng)元權(quán)值相同，所以其可并行學(xué)習(xí)。

　　卷積神經(jīng)網(wǎng)路被視為一種頗具吸引力的深度學(xué)習(xí)(deep learning)結(jié)構(gòu)，比起其他前饋神經(jīng)網(wǎng)路或深度神經(jīng)網(wǎng)路(deep neural network)，其所需估計(jì)的參數(shù)較少。