佈景
剛過去的2017年， 毫無疑問的成為了最火爆的前沿範疇。能夠判定，2018年乃至往後的至少5年內，這種氣勢必將繼續，而且節節攀高。什麼是人工智能？百度百科做了很多很專業的解釋，說得淺顯易懂點，人工智能就是要讓機器學會自主思考。
要做到這一步，其核心就是建立在大數據上的深度學習。大數據根本是依靠才智，才智越強的企業則越能供給機器學習的大而全、精而細的優質範本，而深度學習則依靠算法。打個淺顯點的比方，你能夠把人工智能看作是小孩養成記。決議小孩生長的高度，智商是一個因素，給小孩供給的生長環境（包含教育、資源等）則是另一個重要因素。對應過來，智商就如算法，生長環境等同於大數據，你能給機器供給多優異的算法，多豐厚優質的樣本事例數據，就根本決議了機器在人工智能上到達的高度。
人工智能需求一個支撐Linux體系的便攜式硬件渠道，如UP Board系列產品等，再加上一根 便能夠為那些想入門人工智能範疇的學生、從業者供給一種邊際核算的深度學習可行性，當然，要是有攝像頭等外設那無疑是如虎添翼。
硬件渠道建立：
1）1根神經核算棒（Neural Compute Stick，為便利，下文簡稱NCS）
2）1個搭載Ubuntu16.04體系版別的硬件渠道開發板。
開發板搭載USB3.0，與NCS上的USB3.0接口調配運用十分適宜，能完成較高的傳輸速率（USB3.0 5Gbps VS USB2.0高速480Mbps），在模型推理數據很大的情況下，開發板憑仗高性能和低功耗特色的Intel® 飛躍™、賽揚™ CPU和4GB/8GB LPDDR4及32GB/64GB/128GB eMMC使其優勢顯而易見。
軟件開發包：
· Neural Compute SDK（NCSDK）
· Neural Compute Application Zoo (NC App Zoo)
現在，網上能夠找到配套NCS運用的軟件開發包首要有上面兩個，放在Github上，用戶很簡單獲取到，NCSDK歸於官方供給發佈的，很威望，裡邊包含了軟件東西、API以及例程等材料，經過對這幾個東西以及API的理解能夠有效的瞭解NCS的作業原理；NC App Zoo是一個讓用戶能夠共享自己運用NCS做的一些運用、模型的當地，這兒首要講下NCSDK中的幾個重要的東西。
軟件東西首要包含了mvNCCompile、mvNCProfile以及mvNCCheck：
· mvNCCompile是將Caffe/TF模型轉換為NCS可辨認的graph文件
· mvNCProfile是供給每層的數據用於評估Caffe/TF網絡模型在NCS上的運轉功率，輔佐開發者優化網絡模型結構
· mvNCCheck是經過在NCS和Caffe/TF上運轉網絡比較揣度的成果
API則是NCS核算神經棒的硬件調用接口，經過練習得到的網絡模型能夠運用mvNCCompile東西編譯為能被NCS辨認的graph文件，經過調用API，NCS能夠經過USB接口便利的與主機通訊，NCS利用練習好的網絡模型核算出圖畫剖析的成果，並傳輸到主機上，完成推理作業。
值得一提的是，官方供給的API一起支撐C/C++以及Python言語，讓用戶靈敏挑選自己瞭解的編程言語。別的，也從官方供給的SDK中發現，現在SDK中首要支撐Caffe以及Tensorflow兩種深度學習框架。
在運用開發板建立硬件渠道時還有個小插曲，原本想圖省勁，直接運用主機中的Ubilinux體系，不過在裝置的時分發現官方供給的SDK不支撐這個體系版別，無法仍是依照官方要求老老實實運用指定的Ubuntu 16.04版別。
在Ubuntu16.04體系中，翻開命令終端窗口，運用git獲取NCSDK，假如初度裝置運用Ubuntu 16.04體系，還需求你裝置git東西。
另一個問題，開發東西，不管你是需求學習或者開發根據Caffe或者Tensorflow深度學習框架，都需求裝置相應的開發東西，這些網上都有相應的教程，點到為止。
能夠看到，NCS配套的SDK中現已集成了一些網絡模型，例如GoogLeNet， AlexNet，SqueezeNet等，能夠直接拿來運用，開發者也能夠運用自己練習的網絡模型，只需這些網絡模型與NCS支撐的網絡層匹配，當然，這要求自身有深度學習模型開發的根底了。
下面就以一個實例來了解下NCS怎麼加快推理作業的，在咱們平時的運用中，也有不少開發者直接選用像樹莓派等開源硬件渠道套上CNN模型做圖畫辨認等功能，可是會發現佔用很多的CPU資源，CPU處於負荷狀況且辨認進程比較慢，假如運用NCS又會怎麼呢？筆者隨意在百度上查找了幾張動物的圖片進行辨認測驗。
由於網絡模型比較多，這兒選取了Alexnet的模型做修正。
修正run.py文件中辨認圖片途徑。
第一張圖片辨認成果：
第二張圖片辨認成果：
第三張圖片辨認成果：
第四張圖片辨認成果：
能夠發現，在辨認是什麼物種的時分仍是十分精確的，至少知道了是貓、狗、馬、虎，可是在詳細是什麼物種中的什麼類型就難說了。究竟，即便是一個人，不瞭解這個物種，你也不知道它詳細歸於華南虎仍是東北虎。其中有一點需求留意的，除了第一張圖片歸於正面照，其它幾張圖片都是旁邊面照，從辨認的成果判別也不難發現，旁邊面照辨認的難度要遠勝於正面照，當然也可能是樣本有限的緣故。不過，這個模型至少應證了一件事，在有NCS加持的情況下，一般核算機在辨認圖畫的時分的確現已超過了人。其它例程在本文就不演示了。
小結
神經核算棒（NCS）的確是一個不錯的深度學習開發東西，能夠協助開發者剖析、調試、驗證神經網絡，併為深度學習做推理加快，其首要優勢在於開發和優化AI的離線運用。開發板 + 的組合現已讓筆者才智到了深度學習在圖畫辨認範疇中的優勢，NCS神經核算棒結合Intel供給的NCSDK組合又能讓開發者輕鬆入門 ，一句話，其實入門AI並沒有幻想的那麼難，您短缺的僅僅一個渠道。
閱讀更多 若派 的文章
