Pete Warden，是谷歌TensorFlow团队成员，也是TensorFLow Mobile的负责人，终年漫游在深度学习的大海。
别的，这些看上去很熟悉的书，也是他的著作。
除此之外，皮特有个新的主意要和我们共享——
他坚定地信任，未来的深度学习能够在微型的、低功耗的芯片上自由地奔驰。
换句话说，单片机 （MCU） ，有一天会成为深度学习最肥美的土壤。
这儿面的逻辑走得有些绕，但如同仍是有点道理的。
为什么是单片机
单片机遍地都是
依据皮特的估量，本年一年全球会有大约400亿枚单片机 （MCU） 售出。
MCU里边有个小CPU，RAM只要几kb的那种，但医疗设备、轿车设备、工业设备，还有消费级电子产品里，都用得到。
这样的计算机，需求的电量很小，价格也很廉价，大约不到50美分。
之所以得不到注重，是由于一般情况下，MCU都是用来替代 （如洗衣机里、遥控器里的） 那些旧式的机电体系——操控机器用的逻辑没有发生什么改变。
能耗才是约束要素
任何需求主电源 （Mains Electricity） 的设备，都有很大的局限性。究竟，不管到哪都要找当地插电，就算是手机和PC都得常常充电才行。
但是，对智能产品来说，在任何当地都能用、又不必常常保护，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只需求1毫瓦，或许比这更少。但是，一枚扣子电池具有2，000焦耳的电量，所以即便是1毫瓦的设备，也只能保持1个月。
当然，现在的设备大多用占空比 （Duty Cycling） ，来防止每个部件一向处在作业状况。不过，即便是这样，电量分配仍是很严重。
CPU和传感器不太耗电
CPU和传感器的功耗，根本能够降到微瓦级，比方高通的Glance视觉芯片。
相比之下，显示器和无线电，就特别耗电了。即便是WiFi和蓝牙也至少要几十毫瓦。
由于，数据传输需求的能量，好像与传输间隔成正比。CPU和传感器只传几毫米，而无线电的传送间隔以米为单位，就要贵得多。
