需求說明：深度學習FPGA實現知識儲備

來自：http://blog.csdn.net/my_share/article/details/38498013?utm_source=tuicool&utm_medium=referral

         機器學習的方向多種多樣,網頁排序，語音識別，影象識別，推薦系統等。演算法也多種多樣。看見其他的書後，我發現除了講到的k均值聚類，貝葉斯，神經網路，線上學習等等，還有很多其他的演算法。比如說：免疫演算法，遺傳演算法，主成分分析，蟻群演算法等等。好像很多演算法都是需要做很多的研究才能用的很好的。

據說深度學習是由神經網路升級來的。神經網路本身就是一本書，內容很多。

        最近比較火的是deep learning。資料多些，學習的人多一些。還是比較生僻的免疫演算法，蟻群演算法呢？？？從效能角度上講，deep learning效能很好，可是免疫演算法可能發展後未來2年可以效能更好。

在這種情況下，學什麼比較好呢？？我認為，如果你有高深的數學功底，很好的思維，還有很多的有創造性的朋友的話，我給的建議是去發展新的演算法，像免疫演算法類的。當然如果能創造一個蜜蜂建窩演算法就更好了。估計很多人都沒有這個條件，那我們就做一個跟隨者好了。就去選擇目前比較熱門的deep learning演算法。找一個deep learning應用的場合和公司，應該也很好。

         我目前的內容都是關於影象處理的，其實影象處理就是模式識別最前端的處理工作，讓影象的特徵更好的體現出來。接下來就是模式識別，這裡只能用狹義的理解了。就是特徵提取，其實已經進入機器學習範圍，最後就是機器學習，可以統一認知。這裡面很多都設計到一個FPGA處理晶片的的事（這個待會在說）。換個角度說明我要學習的內容，影象處理，比如對比度，影象矯正，邊界掃描等。機器學習呢，就是從眾多的學習演算法裡面，在影象上應用比較良好的，比如說，深度學習和主成分分析，（對其他的有些瞭解就可以了。應用上和簡單演算法上）。機器學習有時候也可以做到影象處理的內容，比如說，聚類就可以進行影象的分割。但是為什麼還要去時而學習影象處理的技術呢？？想法是這樣的，機器學習是自動提取特徵的過程，像決策樹可能你就知道它的分類過程，提取特徵的過程，可是很多時候是不知道，可是影象處理則是人為的提供，分離，某些特殊的特徵。可能能減少機器學習的難度等（純粹的猜想，還有對機器學習的不瞭解）。

         影象處理（特徵提取預處理）----特徵提取----模式識別----實現人工智慧

         對於FPGA的想法呢？？？主要考慮的是計算速度，目前FPGA的計算速度是最好的了，比如說：無人機災區救援，飛行的速度，攝像頭的畫素，識別，都需要很多的計算定位人員資訊。還比如訓練的時間，速度是一個重要指標。但是FPGA它複雜的計算取完成不了。如果GPU或者APU那一天計算能力能更上一層樓的話，我也會考慮去學習的。

整理來自：時間的詩