Qualcomm博客

Qualcomm Zeroth:推进设备深度学习

2015年4月8日

Qualcomm products mentioned within this post are offered by Qualcomm Technologies, Inc. and/or its subsidiaries.

2014年全年,Qualcomm Research(Qualcomm Technologies, Inc.的部门之一)在其被称为Zeroth的“脑启发计算”研究项目中取得了显著进步。针对我们为仿生脉冲神经网络研发的构架和工具,我们已经开始收集一些指定公司的反馈。对于Qualcomm Research、学术界和业界这个整体来说,研究脉冲神经网络计算将是一项需要持续努力的工作。

收集到的数据和反馈可以指导研究团队扩大研究范围:不仅考量生物现实方法,也探索人工神经网络。毕竟这两者的灵感都来自于人类大脑,而人工神经网络被称为深度学习中机器学习这一分支的核心。

基于深度学习的网络多次在模式匹配任务中展示了最先进的成果。这使得基于深度学习的方法成为赋予设备匹配人类感知模式能力的最佳选择。

以下是研究团队近期在推进深度学习中取得的一些成绩。

设备的深度学习

迄今为止,深度学习网络主要在云或高性能的CPU和GPU计算集群背景下进行讨论和研究。Zeroth团队已实现大型深度神经网络在Qualcomm 骁龙移动系统芯片上的有效运行。这为我们提供了一系列全新的可能性——人类感知模式可与智能手机、机器人和其他在日常生活中与我们互动的设备上实现匹配。

深度网络仍将通过拥有海量数据的大型CPU或GPU集群进行训练,而经过训练后的网络现在可以部署在骁龙处理器驱动的设备上,以完成设备上的数据处理任务,比如图像分类、目标识别和面部识别等等。

去年年底,Zeroth研究团队演示了Snapdragon Cargo,这个机器人可以学会收纳你的玩具(识别、归类,而后将玩具放在您选定的箱子里),而完成上述任务借助的是一个在骁龙处理器上运行的深度学习分类器。

近期

Zeroth的另一项新功能,是利用深度卷积神经网络(CNNs),实现在骁龙驱动的设备上实时进行面部识别,而此项功能也是完全基于设备运行的。此项功能已集成到Snapdragon Rover上,从而赋予了机器人学习的能力,使其能够通过几个样本实现新的人脸识别,而不需要对整个卷积神经网络进行再次培训。同样的技术也可用于设备上其他类型识别的定制化与个性化。

前景预测

对含时间构成的数据进行模式匹配是神经网络处理方面的前沿研究。关键示例场景包括视频中的行为识别、笔迹识别、语音和自然语言处理。研究方法中有的包含一种被称为递归神经网络(RNN)的神经网络变体,而这样的方法最有希望在识别模式方面接近人类的表现。

Zeroth团队与Planet GmBH合作,展示了在骁龙和Zeroth平台上运行深度卷积递归神经网络的力量。移动终端完全基于光学字符识别(OCR)的手写识别首次得到验证。通常来说,文本识别解决方案指的是使用OCR识别印刷文本,和/或使用数字笔捕捉和识别笔迹,而基于OCR的手写识别被认为是人工智能中较难解决的问题之一。

针对在骁龙平台上进一步实现深度学习这一课题,Zeroth团队对于短期和长期研究计划都充满信心。他们正在研究为整个移动系统芯片(SoC)进行硬件和软件的深度优化,以便在下一代骁龙处理器中运行更大、更复杂的网络。

Zeroth研究最初专注于生物真实性的脉冲神经网络,而现在关注的领域拓展到了支持终端深度学习的人工神经网络。这一重要支柱将使得Zeroth成为一个平台,把人类感知带到每天与我们互动的终端中。

我们今年将更多地介绍Zeroth的进展情况,敬请期待。

访问Qualcomm中国的博客,了解认知计算和定制CPU驱动下一代骁龙处理器。也可阅读另一篇博文,其中探讨了Qualcomm让认知技术走进生活的愿景。​​