公开课《性能测试之硬件软件接口公开课资源知多少
点击联系发帖人
时间：2018-04-01 20:59
性能测试之硬件资源知多少_硬盘IO公开课.wmv
友情链接：
备皖ICP备号-28 上传我的文档
 下载
 收藏
粉丝量：20
该文档贡献者很忙，什么也没留下。
 下载此文档
性能测试-基础知识
下载积分：1000
内容提示：性能测试-基础知识
文档格式：DOC|
浏览次数：39|
上传日期： 17:28:49|
文档星级：
全文阅读已结束，如果下载本文需要使用
 1000 积分
下载此文档
该用户还上传了这些文档
性能测试-基础知识
关注微信公众号关注51Testing
性能测试知多少--系统计数器与硬件分析
发表于： 10:17 &作者：虫师 & 来源：51Testing软件测试网采编
推荐标签：
性能计数器（Performance Counter），也叫性能监视器。一个人健康状况如何，我们通过对其做各项体检获得相关的状况指标，如血压、心跳，肺活量等。那么在做过程中，整个系统的软硬件进行监控也必不可少，监控所获得的数据也是我们分析系统性能的主要依据。 在整个系统中，对于不同的软件和硬件，我们对其监控的指标也不一样，就像一个公司中的所有人员，其每个人的职责不同，评判和考核的标准也是不一样的。下面将从系统的各个方面进行分析。 性能计数器 操作系统监控器，主要监控操作系统级别上的系统性能表现，这里分析最常见的操作系统与操作系统。 window 操作系统的主要性能计数器 Windows操作系统的性能监控： Window系统下的计数器比较多，主要技术器如下：
搜索风云榜
( 16:44:09)
很详细 很好
51Testing官方微信
51Testing官方微博
测试知识全知道公开课《LR之Socket脚本开发》_在线播放_最新视频高清在线观看_爱酷网(ikoo8.com)<meta name="description" content="ROAD公开课第68讲主题：LR之Socket脚本开发YY频道:讲师:CKL讲师简介：ROAD性能测试学员主要讲课内容：1.了解Socket82.获取Socket报文的途径3.LR中的Socket脚本开发4.脚本的提高!5.常见的Socket函数"" /><meta property="og:description" content="ROAD公开课第68讲主题：LR之Socket脚本开发YY频道:讲师:CKL讲师简介：ROAD性能测试学员主要讲课内容：1.了解Socket82.获取Socket报文的途径3.LR中的Socket脚本开发4.脚本的提高!5.常见的Socket函数"" /><meta itemprop="description" content="ROAD公开课第68讲主题：LR之Socket脚本开发YY频道:讲师:CKL讲师简介：ROAD性能测试学员主要讲课内容：1.了解Socket82.获取Socket报文的途径3.LR中的Socket脚本开发4.脚本的提高!5.常见的Socket函数"" />您的浏览器不支持 JavaScript ！ Your browser does not support JavaScript !友情提示&&&全部频道网站地图公开课《LR之Socket脚本开发》0播放源：发布时间：分类：教育作者：lokewang选择打赏方式：您的赞赏是我们前进的动力，多少您随意~提示:打赏的是网站站长，跟视频或文章内容无关！猜你喜欢播放：1.1千播放：343播放：229播放：217播放：207播放：178播放：171播放：149播放：139播放：133播放：115播放：104播放：99播放：88播放：84播放：80播放：76播放：73播放：64播放：63&&&&&p&立创EDA是一款非常神奇非常有意思的在线EDA工具，且终身免费，就功能而言，对中小企业和个人制作来说，是足够了。当然团队需要继续努力。&/p&&a href=&//link.zhihu.com/?target=https%3A//lceda.cn/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic3.zhimg.com/v2-d757a9ae024bd99d8d20eadf4f4e.jpg& data-image-width=&1040& data-image-height=&616& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&立创EDA - 一个用心为中国人定制的电路板开发平台&/a&&p&&b&亮点一：终身免费&/b&&/p&&p&立创EDA没有版权问题，彻底解决了大部分国人使用EDA的版权风险。在国内推广，免费是主流，没办法，国情就是如此。立创能做到免费，这点确实是非常有魄力的，也是其他厂商难以复制的模式。&/p&&p&&br&&/p&&p&&b&亮点二：国产奇迹 真正全华班&/b&&/p&&p&任何品牌啥的都要说点情怀，立创也有，如题主所说，立创EDA海外版本叫easyeda，起于2010年，&b&完全由中国人独立开发，拥有独立自主知识产权&/b&。EasyEDA团队利用6年时间基于JavaScript建立了一个优秀的EDA框架。&/p&&p&这种轻量级的云端工具深受歪果仁喜爱，用户已经覆盖全球一百九十多个国家，并且受到了很多用户的好评。软件有了更好的打磨，团队有了更多的经验，开始做国内版本，就是立创EDA（lceda）。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-2d41e3981dcffec97ea702_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1422& data-rawheight=&745& class=&origin_image zh-lightbox-thumb& width=&1422& data-original=&https://pic3.zhimg.com/v2-2d41e3981dcffec97ea702_r.jpg&&&/figure&&p&&b&亮点三：高效率工作，快到没盆友。&/b&&/p&&p&已创建30多万种实时更新的元件，你也可以导入自己常用封装库，在线搜索即可放置。&/p&&p&多层板，数千焊盘，依然能快速运行，布线流畅自如。&/p&&p&电路开源，集万名电子工程师智慧共同开发的常用电路开源模块，模块复用。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-eea408de5d0_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1334& data-rawheight=&654& class=&origin_image zh-lightbox-thumb& width=&1334& data-original=&https://pic1.zhimg.com/v2-eea408de5d0_r.jpg&&&/figure&&p&&b&亮点四：云端共享&/b&&/p&&p&你只需要打开网站登录账号，就能继续工作，随时，随地，随设备，登录浏览器即可，断网也不怕。不用U盘，不用拷贝，不用考虑电脑配置，只需记住你的账号密码。&/p&&p&能创建团队，协同开发，邀请伙伴协作工程设计，电路练接你我他。&/p&&p&可以导入Eagle, Altium Designer, Kicad, LTspice设计文件和库文件，全面支持。&/p&&p&最后，个人主页还能成为求职的作品展示页。&/p&&p&&b&传送门：&a href=&//link.zhihu.com/?target=https%3A//lceda.cn/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&立创EDA - 一个用心为中国人定制的电路板开发平台&/a&&/b&&/p&&p&请点赞谢谢。O(∩_∩)O&/p&&p&&/p&
立创EDA是一款非常神奇非常有意思的在线EDA工具，且终身免费，就功能而言，对中小企业和个人制作来说，是足够了。当然团队需要继续努力。亮点一：终身免费立创EDA没有版权问题，彻底解决了大部分国人使用EDA…
&figure&&img src=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_b.jpg& data-rawwidth=&638& data-rawheight=&538& class=&origin_image zh-lightbox-thumb& width=&638& data-original=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_r.jpg&&&/figure&&p&
2017年对于内燃机来说是很不平常的一年。这一年，很多国家都相继公布了禁售内燃机汽车的时间表。今年7月，英国和法国宣布，将在2040年停止销售常规汽油和柴油小型载客汽车（car）及货车（van）。此前，荷兰、挪威等国家政府也提出过将在年禁售传统燃油车的计划。一直号称要通过新能源汽车“弯道超车”实现汽车工业由大变强的中国，在刚刚闭幕的2017中国汽车产业发展（泰达）国际论坛上，据工业和信息化部副部长辛国斌透露，也已经启动制定燃油车退出时间表。&/p&&p&
前段时间，英国《经济学人》杂志上发表的头条文章《&a href=&https://link.zhihu.com/?target=https%3A//www.economist.com/news/leaders/-it-had-good-run-end-sight-machine-changed-world-death& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&内燃机之死（The Death of the Internal Combustion Engine）&/a&》更是将这一话题推向了高潮。有朋友已经把这篇文章翻译成了中文，英语阅读不方便的朋友可以直接查看中文版（&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&“内燃机之死”——今天的经济学人头条都说了些什么&/a&）。很多不明就里的民众就此认为：内燃机汽车真的要马上被电动汽车全面取代了，就像大约100年前，内燃机汽车取代蒸汽机汽车那样。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_b.jpg& data-rawwidth=&638& data-rawheight=&538& class=&origin_image zh-lightbox-thumb& width=&638& data-original=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_r.jpg&&&/figure&&p&
《经济学人》头条文章：The Death of the Internal Combustion Engine&/p&&p&&br&&/p&&p&
然而，内燃机真的要死了吗？电动汽车真的能够一往无前、势如破竹地全面取代内燃机吗？我们来看看Gautam Kalghatgi教授怎么说，一起了解更多关于电动汽车和内燃机的真相！&/p&&p&&br&&/p&&h2&&b&人体毒害潜力及其他限制纯电动汽车大规模增长的障碍&/b&&/h2&&p&&b&
Prof. Gautam Kalghatgi&/b&&/p&&p&
继英国政府宣布将在2040年停止销售一切常规汽油和柴油小型载客汽车（car）及货车（van）后，关于内燃机（internal combustion engine, ICE）消亡的评论一直不绝于耳（&a href=&https://link.zhihu.com/?target=https%3A//www.gov.uk/government/news/plan-for-roadside-no2-concentrations-published& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Government confirmed today that it will end the sale of all new&/a& &a href=&https://link.zhihu.com/?target=https%3A//www.gov.uk/government/news/plan-for-roadside-no2-concentrations-published& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&conventional petrol and diesel cars and vans by 2040, as it unveiled new plans&/a& &a href=&https://link.zhihu.com/?target=https%3A//www.gov.uk/government/news/plan-for-roadside-no2-concentrations-published& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&to tackle air pollution&/a&）。英国政府发布的文件还表明，政府的目标是：到2050年，路上行驶的几乎每一辆小型载客汽车及货车都将是零排放汽车。这表明，到2050年，英国政府将只允许纯电动（battery electric vehicles, BEVs）或氢燃料电池驱动的小型载客汽车及货车在英国的道路上行驶。法国也颁布了类似的政策。然而，需要注意的是，这些政策文件只提到了轻型车（light duty vehicles, LDVs），而并不包含大部分的商用运输工具（如长途卡车、飞机、舰船等），这些商用运输工具将可以继续使用基于石油燃料的内燃机驱动。在英国，轻型车能源需求只占交通运输能源总需求的一半左右，而对于全球来说，这个比例只有40%左右。&/p&&p&截止到2016年，在英国注册登记的乘用车约有3200万辆（&a href=&https://link.zhihu.com/?target=https%3A//www.statista.com/statistics/299972/average-age-of-cars-on-the-road-in-the-united-kingdom/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Number of cars on the road in the United Kingdom (UK) between 2000 and 2016 (in millions)&/a&），截止到2017年3月，在英国注册登记的可充电电动汽车（plug-in electric vehicles, PEVs）有10.4万辆（&a href=&https://link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Plug-in_electric_vehicles_in_the_United_Kingdom& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Plug-in electric vehicles in the United Kingdom&/a&），其中一部分可充电电动汽车还是插电式混合动力汽车（plug-in hybrid electric vehicles, PHEVs），即既有内燃机又有电池，所以严格来说不是零排放。实际上，一些新的证据表明，插电式混合动力汽车的车主不愿意经常费劲地把车连到电网上去充电，他们主要是为了获得补贴及其它一些优惠政策而购买插电式混合动力汽车，大部分情况下，他们都是烧汽油在行驶。不管怎样，如果我们假定到2050年时，英国注册登记的小型载客汽车及货车的数量与2016年时一致，为了满足英国政府的要求，2050年以后英国注册登记的纯电动车数量将是现有纯电动汽车保有量的约300倍，这个改变的规模非常巨大。考虑到不断下降的纯电动车成本以及政府政策的刺激，我们有强烈的信心，这种改变是可能的。然而，纯电动汽车的大规模增长依然存在巨大的障碍。下面我们来看看在英国的道路上只使用纯电动汽车的影响。&/p&&p&&b&一、纯电动汽车的人体毒害潜力&/b&&/p&&p&1. 已经有很多研究强调了电动汽车（electric vehicles, EVs）对人体和水质的毒害潜力，这些毒害潜力主要是由生产制造电池所需要的金属所导致（&a href=&https://link.zhihu.com/?target=http%3A//onlinelibrary.wiley.com/doi/10.1111/j.12.00532.x/pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Comparative Environmental Life Cycle Assessment of Conventional and Electric Vehicles&/a&）。针对这一问题，最近理特咨询公司（Arthur D Little）发表了一篇报告，非常有趣，也很容易理解（&a href=&https://link.zhihu.com/?target=http%3A//www.adlittle.com/fileadmin/editorial_us/downloads/ADL_BEVs_vs_ICEVs_January_24_2017_USA.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Battery Electric Vehicles vs. Internal Combustion Engine Vehicles——A United States-Based Comprehensive Assessment&/a& ）。&/p&&p&2. 尽管每日邮报（The Daily Mail）和空中电视台（Sky TV）报道了在刚果的矿井中工作的孩子们，并将他们的困境与电动车联系起来，但这些问题可能并没有引起太多的公众注意，因为所有的这些问题都发生在偏远地区（&a href=&https://link.zhihu.com/?target=http%3A//www.dailymail.co.uk/news/article-4764208/Child-miners-aged-four-living-hell-Earth.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Child miners aged four living a hell on Earth so YOU can drive an electric car: Awful human cost in squalid Congo cobalt mine that Michael Gove didn’t consider in his ‘clean’ energy crusade&/a&）。今年年初，卫报（Guardian）和华盛顿邮报（Washington Post）也有过类似的报道。然而，如果目标是将电动汽车的数量增加几百倍以完全取代内燃机，环保运动和其他非政府组织不太可能继续忽视这个环境问题。&/p&&p&3. 关于内燃机的环境危害，也有一些很常见的报道，比如“……柴油发动机导致了4万人（各种不同的数字）额外的死亡，因为氮氧化物排放……”。David Spiegelhalter教授对此有一个清晰的解释（&a href=&https://link.zhihu.com/?target=https%3A//wintoncentre.maths.cam.ac.uk/news/does-air-pollution-kill-40000-people-each-year-uk& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Does air pollution kill 40,000 people each year in the UK?&/a&）。从本质上讲，这只不过是一种猜测，而且这种影响也可以用一种听起来并不那么令人担忧的方式表达出来，例如：在伦敦和巴黎，暴露于PM2.5的风险相当于每天吸一根烟（见David Spiegelhalter教授文中表2）。&/p&&p&4. 除此之外，理特咨询公司的研究还称：“一辆2015年的纯电动汽车整个使用寿命内产生的毒性对人类生命的影响相当于20天的死亡或残疾（以失能调整生命年（disability adjusted life years, DALYs）衡量，失能调整生命年是美国国家卫生研究院（National Institutes of Health）定义的一个描述“在特定人群中，因疾病、残疾或过早死亡导致的健康生活损失的年数”的综合指标），而一辆2015年的内燃机汽车产生的毒性对这一指标的影响只有6天。对于2025年的车型，两者对环境的二次影响的差异将会进一步扩大，纯电动汽车将会产生更高的人体毒害风险。”&/p&&p&5. 如果像英国政府规划的那样，英国3200万辆乘用车全部被小型纯电动汽车取代，因此导致的人类健康生活损失的年数将达到170万年左右，而同样数量的内燃机汽车导致的人类健康生活损失的年数只有53万年。当然，如果电池容量更大一点的话（意味着更长的纯电续航里程），导致的人类健康生活损失的年数将更高。这个数字还不包含未来很长一段时间电动化余地很小的商用运输工具。&/p&&p&6. 正如理特咨询公司的报告中所说的：“与纯电动汽车对人体健康的潜在危害相比，所有其他的环境二次影响都显得苍白无力。因为汽车对人体毒害的潜力在汽车使用寿命的不同时段是不一样的，驾驶一辆纯电动汽车而不是内燃机汽车的决定，本质上是将内燃机汽车对人体健康影响相对较小的更靠近汽车本身的毒害转换成纯电动汽车对人体健康影响相对较大的靠近矿山尾矿的毒害。对于美国司机来说，这是一个在当地社区（或者驾驶区域）排放少量污染还是在采矿和制造的地方排放相比而言更多的污染的两难选择。”&/p&&p&7. 最后，电池回收的问题也需要解决（&a href=&https://link.zhihu.com/?target=https%3A//www.ft.com/content/fde-11e7-91a7-502f7ee26895& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Electric car growth sparks environmental concerns——Mining of raw materials and recycling of lithium-ion batteries in spotlight&/a&）。3200万辆汽车将产生超过1200万吨的电池。&/p&&p&8. 由于新型燃烧技术、先进后处理技术及控制技术的发展，未来几十年，内燃机的燃油消耗和排气污染将进一步减少。&/p&&p&&b&二、经济影响&/b&&/p&&p&1. 英国政府的税收中，燃料税和燃料增值税的收入每年约为360亿英镑。电动车取代内燃机后，这将不得不由其他税收来补偿。&/p&&p&2. 随着电动汽车数量的增加，政府财政补贴（在英国，每辆电动汽车补贴5000英镑）的负担将会增加。在某一阶段，也许在未来几年，这些补贴必须停止。然而，如果私家车车主需要自己投资来对家里的供电系统进行升级以满足电动汽车充电的需要，或者如果纯电动汽车的成本尽管已经大幅下降但仍然高于传统汽车，政府可能还需要继续补贴。目前，只要补贴一减少，电动汽车的销量就大幅下降，例如香港，丹麦（暂时减少），中国——比亚迪提高了价格而不是吸收新增的成本。&/p&&p&3. 新基础设施的成本，如充电桩（&a href=&https://link.zhihu.com/?target=https%3A//www.wsj.com/articles/the-problem-with-electric-cars-not-enough-chargers-& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Problem With Electric Cars? Not Enough Chargers&/a&）。在英国，大约40%的车主无法路外停车（off-road parking），政府将不得不投资建设充电桩，这可能需要高达870亿英镑的投资（&a href=&https://link.zhihu.com/?target=http%3A//uk.reuters.com/article/us-britain-power-autos-analysis/britain-faces-huge-costs-to-avoid-power-shortages-with-electric-car-plan-idUKKCN1BC3VU& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Britain faces huge costs to avoid power shortages with electric car plan&/a&）。&/p&&p&4. 额外的电力成本（&a href=&https://link.zhihu.com/?target=https%3A//www.theguardian.com/business/2017/jul/26/national-grid-fossil-fuel-vehicle-ban-electric-cars-is-there-enough-electricity-& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Is there enough electricity? National Grid reacts to fossil-fuel vehicle ban&/a&）。如果电力的来源不是无碳的，还需要考虑温室气体（greenhouse gas, GHG）效应（这对于法国来说也是一个问题，因为法国正准备放弃核电！）。大家应该注意，电动汽车的充电很可能来自边际发电（marginal electricity generation），这通常是基于化石燃料的，而不是可再生能源。&/p&&p&&b&三、锂的安全供应&/b&&/p&&p&
在生产电池所需要的锂的安全供应方面也存在一些顾虑（&a href=&https://link.zhihu.com/?target=https%3A//www.ft.com/content/90dd-11e7-919a-1e14ce4af89b& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Electric car demand sparks lithium supply fears&/a&）。锂的开采过程非常艰难，尽管储量丰富，但只集中在少数几个国家，这些国家可能无法或不愿意提高产量以满足日益增长的全球需求。&/p&&p&&b&四、英国的交通政策&/b&&/p&&p&
英国的交通政策如下：&/p&&p&昨天——出于对温室气体的担忧，大力推广柴油车&/p&&p&今天——由于氮氧化物和颗粒物排放的原因，转向推广纯电动汽车并将柴油车妖魔化&/p&&p&明天——随着纯电动汽车数量的增加，环保主义者开始觉醒并呼吁：因为政府的政策和大型的糟糕的电动汽车公司只对利润感兴趣，孩子们正在非洲的矿井中死去。其他的制约因素，比如经济方面的问题开始变得非常大?&/p&&p&后天——政府悄悄地放弃了对电动汽车的承诺和热情，就像他们之前对生物燃料那样？&/p&&p&&b&五、对石油需求量的影响&/b&&/p&&p&
如果全球电动汽车的数量真像狂热者所说的增长得那样快，那么首要的影响将是汽油需求的急剧减少，因为世界上大多数的轻型车（大约85%）是使用汽油驱动的火花点火式发动机。然而，全球对航空煤油、重型车辆及船运柴油的需求在未来几十年内预计将持续增长，尤其是在非经合组织国家（not the membership of Organisation for Economic Co-operation and Development, Non-OECD），如印度和中国（参见国际能源署（International Energy Agency, IEA）、埃克森美孚（ExxonMobil）、美国能源情报署（U.S. Energy Information Administration, EIA）等能源机构发布的能源前景展望），而这些油也必须由石油生产。因此，如果电动汽车的数量增长更快，汽油和中馏分油（航空煤油+柴油）需求之间的差距将会变得更加突出。为了满足日益增长的中馏分油的需求，石油的开采量依然需要增加。炼油时从石油中最先蒸馏出来的低辛烷值汽油成分（石脑油），以前通常都会被加工成汽油，未来将由于汽油需求减少而被废弃。这将导致石油公司及炼油商面临难题，而不是石油需求量的减少。鉴于未来汽油，尤其是低辛烷值汽油供过于求的情形，新发动机技术的发展，类似于马自达公司（Mazda）最近宣布的创驰蓝天计划（SKYACTIV）中可以使用低辛烷值汽油的新技术（如汽油压燃，gasoline compression ignition, GCI）将会更有吸引力（&a href=&https://link.zhihu.com/?target=http%3A//www.mazda.com/en/innovation/technology/skyactiv/skyactiv-g/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Mazda SKYACTIV Technology&/a&; &a href=&https://link.zhihu.com/?target=http%3A//journals.sagepub.com/doi/abs/10.& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Gasoline compression ignition approach to efficient, clean and affordable future engines&/a&）。&/p&&p&&b&总结&/b&&/p&&p&
英国政府关于所有轻型车使用纯电动汽车的新交通政策的重要经济后果需要一个全面而透明的研究。虽然政府需要投入大量的资金来实施这一新政，最终的结果却几乎可以肯定会对人类健康造成更大的危害，尽管这些危害会被转移到那些开采制造电池所需要的金属的那些国家。如果电动汽车所需的电能来自化石燃料，使用纯电动汽车所造成的温室气体效应也可能会更糟糕。毋庸置疑，交通运输工具的电动化程度未来会有显著地提升，但大部分是以混合动力的形式，即一块小电池，加上联合内燃机一起工作的电机，再结合其它一些如制动能量回收之类的技术，来减少汽车的燃油消耗。同时，未来几十年，新型燃烧技术与更先进的后处理系统及控制系统相结合，将进一步提高内燃机的效率，并降低内燃机的排放。当然，使用低碳燃料（如天然气、氢气等）也能够起到很好的效果。政府应该综合考虑局部及全球环境和温室效应的影响、生产供应安全及成本等因素，采取兼容更多技术路线的措施。不再投资改进内燃机技术的决定是非常短视的，因为未来几十年，内燃机将不可避免地给交通运输业，尤其是商用运输提供绝大部分的动力。&/p&&p&&br&&/p&&p&*******************************************************************************************************&/p&&p&&b&原文链接：&/b&&a href=&https://link.zhihu.com/?target=https%3A//www.linkedin.com/pulse/human-toxicity-potential-other-barriers-unlimited-growth-kalghatgi& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Human Toxicity Potential and Other Barriers to Unlimited Growth of Battery Electric Vehicles&/a&&/p&&p&&b&作者简介：&/b&Gautam Kalghatgi，沙特阿美石油公司（Saudi Aramco）研究员，牛津大学、帝国理工学院客座教授，英国皇家工程院院士，国际汽车工程师协会会士（SAE fellow），英国机械工程师协会会士（I.Mech.E. fellow）。Gautam Kalghatgi教授在燃料、燃烧、内燃机领域非常活跃，发表学术论文100余篇，曾出版专著《Fuel/Engine Interactions》。&/p&&p&&b&译者简介：&/b&张俊，清华大学汽车安全与节能国家重点实验室博士生，主要从事机动车污染物排放控制方面的研究。&/p&&p&本文已取得Gautam Kalghatgi教授的授权，欢迎大家转载扩散。转载请注明原文来自Gautam Kalghatgi教授。谢谢！&/p&
2017年对于内燃机来说是很不平常的一年。这一年，很多国家都相继公布了禁售内燃机汽车的时间表。今年7月，英国和法国宣布，将在2040年停止销售常规汽油和柴油小型载客汽车（car）及货车（van）。此前，荷兰、挪威等国家政府也提出过将在年禁售传统…
&figure&&img src=&https://pic2.zhimg.com/v2-c98d0fcc891bcaee7e76a_b.jpg& data-rawwidth=&984& data-rawheight=&570& class=&origin_image zh-lightbox-thumb& width=&984& data-original=&https://pic2.zhimg.com/v2-c98d0fcc891bcaee7e76a_r.jpg&&&/figure&&p&9月12号，苹果在10年后的one more thing里发布了被剧透的一干二净的IPhone X。全面屏，OLED，无线充电，全新手势交互都和以往的机型拉开了差距。但是最吸引人的无疑是True Depth Camera和Face ID部分，移动设备上的深度相机True Depth Camera和基于它的Face ID确实给人带来了更直觉化的人机交互。也让我们再一次深深感到微软“起了个大早，赶了个晚集”。这里我们会用一系列文章分析True Depth Camera和Face ID背后可能的技术和实现方式。初步计划分为四期：硬件-建模-识别-Animoji重定向。第一期主要分析下硬件部分。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-4ed6376dfaa55815aad810f_b.png& data-rawwidth=&1431& data-rawheight=&575& class=&origin_image zh-lightbox-thumb& width=&1431& data-original=&https://pic4.zhimg.com/v2-4ed6376dfaa55815aad810f_r.jpg&&&/figure&&blockquote&True Depth Camera-来自Apple官网&/blockquote&&p&从官网的示意图可以看出IPhone X的刘海部分包括了700万像素彩色相机（7MP Camera），麦克风（Microphone），扬声器（Speaker），环境光感应器（Ambient sensor），距离感应器（Proximity sensor），泛光感应元件（Flood illuminator），红外镜头（Infrared camera）和点阵投影器（Dot projector）。其中前五个原件都是传统的感光元件。后三个：泛光感应元件（Flood illuminator），红外镜头（Infrared camera）和点阵投影器（Dot projector）则构成了True Depth Camera深度相机的核心。这三个原件都是不可见光原件，可以推测泛光感应元件（Flood illuminator）用作黑暗环境下的暗光源，其它两个原件则是深度成像的核心元件。&br&看到这俩红外原件，大家一定会想起另一个同样原理的深度成像设备：Kinect。第一代Kinect就使用了类似的Light Coding技术。而Light Coding技术背后的传感技术公司PrimeSense在2013被Apple收购，也就是现在True Depth Camera背后的主要技术力量。大家可能记得2016年Apple和PrimeSense还申请了一项“集成结构光投影器（Integrated structured-light projector ）”（&a href=&http://link.zhihu.com/?target=https%3A//www.google.com/patents/US& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&链接在此&/a&），至此，我们基本可以推测，True Depth Camera背后的技术就是PrimeSense开发的点阵结构光深度成像技术的改进版。其实Windows Hello所使用的Intel RealSense 3D camera也是使用的类似的技术。那下面我们就仔细讲讲什么是点阵结构光深度成像。&/p&&h2&点阵结构光深度成像&/h2&&p&2010年，微软为Xbox 360发布了一款深度摄像头Kinect，当时也掀起了一股基于深度相机的体感游戏热潮，虽然现在这股热潮渐渐退去，不过kinect确实将以往成本高高在上的深度摄像机带进了民用领域。Kinect一共出过两代产品，第一代基于类似点阵光深度成像的Light Coding技术，第二代则是基于飞行时间Time-Of-Flight（TOF）技术。今天我们就以kinect 1代为例大致讲解一下点阵结构光深度成像技术。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-01a41dc3bca1_b.png& data-rawwidth=&575& data-rawheight=&295& class=&origin_image zh-lightbox-thumb& width=&575& data-original=&https://pic2.zhimg.com/v2-01a41dc3bca1_r.jpg&&&/figure&&blockquote&Kinect-来自MSDN&/blockquote&&p&上图是kinect的结构示意图，大部分基于点阵/网格结构光的深度相机都是类似的结构，其中最重要的两个原件就是IR Emitter，也就是红外光发射器，对应 True Depth Camera的点阵光投影器，和红外深度感应器IR Depth Sensor，对应IPhone X上的红外相机。&br&其中红外光发射器会发射一组有特定模式的投影光，像kinect的是这样：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-1adc41df280fdc1b58a20b_b.jpg& data-rawwidth=&2251& data-rawheight=&1446& class=&origin_image zh-lightbox-thumb& width=&2251& data-original=&https://pic4.zhimg.com/v2-1adc41df280fdc1b58a20b_r.jpg&&&/figure&&blockquote&Kinect Pattern-来自&a href=&http://link.zhihu.com/?target=http%3A//www.futurepicture.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&futurepicture.org&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&p&Intel RealSense 3D(支持Windows Hello)，是这样：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-9c523cca27bd5f46ddfbc291c981794c_b.jpg& data-rawwidth=&320& data-rawheight=&240& class=&content_image& width=&320&&&/figure&&blockquote&RealSense Pattern-来自Intel Developer Zone&/blockquote&&p&按苹果官网上的示意图的话，IPhone X的投影是这样的：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-0c22c59df9e2e1e4a12a94e_b.png& data-rawwidth=&1329& data-rawheight=&851& class=&origin_image zh-lightbox-thumb& width=&1329& data-original=&https://pic2.zhimg.com/v2-0c22c59df9e2e1e4a12a94e_r.jpg&&&/figure&&blockquote&IPhone X pattern-来自Apple官网&/blockquote&&p&而传统的结构光是条纹状的投影，像这样：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-d863babe34df_b.jpg& data-rawwidth=&1396& data-rawheight=&944& class=&origin_image zh-lightbox-thumb& width=&1396& data-original=&https://pic4.zhimg.com/v2-d863babe34df_r.jpg&&&/figure&&blockquote&Structured Light-来自Automatic Modelling & Video Mapping&/blockquote&&p&那为什么从红外相机里拍出的这些奇怪的图案就可以得到深度了呢？这就要来说说结构光成像了。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-0b80b831a1f14aad555e6_b.jpg& data-rawwidth=&600& data-rawheight=&385& data-thumbnail=&https://pic3.zhimg.com/v2-0b80b831a1f14aad555e6_b.jpg& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-0b80b831a1f14aad555e6_r.jpg&&&/figure&&blockquote&Kinect Pattern-来自&a href=&http://link.zhihu.com/?target=http%3A//www.futurepicture.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&futurepicture.org&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&p&先来看看这幅图，当我们摆一本书在红外投影的点阵中，可以明显感觉到中间凸出来一部分，本质上来说，之所以会看到投影点阵的变化，是因为投影点和拍摄点的位置差。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-b5ed8cb87c6cfd78a456ef2f130bce2a_b.png& data-rawwidth=&825& data-rawheight=&346& class=&origin_image zh-lightbox-thumb& width=&825& data-original=&https://pic3.zhimg.com/v2-b5ed8cb87c6cfd78a456ef2f130bce2a_r.jpg&&&/figure&&blockquote&stereo vision-来自Illinois^cs498dh&/blockquote&&p&设想左边就是我们投影光源O的投影平面，右边这个就是摄像机O’的成像平面，他们之间有一定距离，我们可以看到一个点在投影平面上的位置为p的话，它投影到物体上的位置一定在线段Op上，根据物体的深度不同，投影点可能是P，P1，P2。然而，不同深度的P，P1，P2就会在成像平面上位于不同的位置。所以，只要我们能够检测出来投影平面上的P在成像平面的位置，就可以用简单的三角函数算出来投影光在物体上投影点的位置，也就是说物体表面有一个点在该空间位置。所以，我们需要的就是一幅投影光平面图，并在成像平面寻找投影平面上点的对应点就行啦。&br&可是，&/p&&figure&&img src=&https://pic1.zhimg.com/v2-cfb23d41c4ba_b.png& data-rawwidth=&422& data-rawheight=&330& class=&origin_image zh-lightbox-thumb& width=&422& data-original=&https://pic1.zhimg.com/v2-cfb23d41c4ba_r.jpg&&&/figure&&blockquote&Kinect pattern-来自&a href=&http://link.zhihu.com/?target=http%3A//azttm.wordpress.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&azttm.wordpress.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&p&这么密密麻麻的点都长一样咋找对应点？研究者们想了很多办法，比如：&br&每隔一段时间投影不同的地方，每个时刻就一条线，不就好找了吗～，像这样：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-140cae7cbcb8c3e777ac12_b.png& data-rawwidth=&768& data-rawheight=&480& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic3.zhimg.com/v2-140cae7cbcb8c3e777ac12_r.jpg&&&/figure&&blockquote&structured light-来自Illinois^cs498dh&/blockquote&&p&和改进版二元编码&/p&&figure&&img src=&https://pic1.zhimg.com/v2-bbd20e42e180b23af2aea44_b.png& data-rawwidth=&1529& data-rawheight=&1187& class=&origin_image zh-lightbox-thumb& width=&1529& data-original=&https://pic1.zhimg.com/v2-bbd20e42e180b23af2aea44_r.jpg&&&/figure&&blockquote&binary coding-来自Illinois^cs498dh&/blockquote&&p&和色彩编码：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-4c7c1dcc2dc9e9a69547f_b.png& data-rawwidth=&537& data-rawheight=&660& class=&origin_image zh-lightbox-thumb& width=&537& data-original=&https://pic4.zhimg.com/v2-4c7c1dcc2dc9e9a69547f_r.jpg&&&/figure&&blockquote&color coding-来自Illinois^cs498dh&/blockquote&&p&等等。然而这些编码方式要么需要多帧的投影和拍摄，要么需要彩色投影，有没有单帧单色的技术，就像Kinect和True Depth Camera那样的呢？这当然难不倒研究者们。答案就是空间编码，&/p&&figure&&img src=&https://pic3.zhimg.com/v2-906d680aa8cebdb258f0ba_b.png& data-rawwidth=&591& data-rawheight=&456& class=&origin_image zh-lightbox-thumb& width=&591& data-original=&https://pic3.zhimg.com/v2-906d680aa8cebdb258f0ba_r.jpg&&&/figure&&blockquote&Spatial pattern-来自Illinois^cs498dh&/blockquote&&p&只要把这样一种pattern投影到物体上，拍一张就可以了。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-eea21505cedec72691eb83_b.png& data-rawwidth=&984& data-rawheight=&651& class=&origin_image zh-lightbox-thumb& width=&984& data-original=&https://pic4.zhimg.com/v2-eea21505cedec72691eb83_r.jpg&&&/figure&&blockquote&Spatial pattern-来自Illinois^cs498dh&/blockquote&&p&秘密就在于这种pattern的每一列都是不一样的图案，可以通过匹配这种特异性的图案达到识别每一列的对应位置的目的。&br&而Kinect和True Depth Camera都是将这种线型的空间编码扩展到更加复杂的点阵空间编码，即一块区域有一个独立的排布方式，来实现单色单帧图像的编码。此外，还可以结合点阵在物体上的投影的形状和大小进行更快的匹配，更近的物体投影点会更大，而斜的物体投影点就会拉长。据说Kinect的实现方法就是事先拍摄各个深度的投影点，再将采集到的投影图的每个区域与各个深度的参照图像进行比对进行快速的深度计算，就可以得到一幅深度图。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-bfb16ce3ff1_b.jpg& data-rawwidth=&400& data-rawheight=&332& class=&content_image& width=&400&&&/figure&&blockquote&Kinect-来自Depth Sensing for 3DTV: A Survey&/blockquote&&p&有了这些技术，只要能将高分辨率红外投影器和红外摄像机塞到手机里，那么手机端的深度图像获取也就不是难事，而这一步也是Apple和PrimeSense下最大精力的地方。&/p&&h2&深度图怎么玩&/h2&&p&深度图不就多了一维深度信息吗？能干啥嘞？在研发出Kinect之后，微软其实还搞了好多黑科技。&br&比如骨架跟踪，通过Kinect得到人的骨架信息后，就可以通过人机交互，操作体感游戏。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-ebf33d19eab9c265d36671_b.jpg& data-rawwidth=&819& data-rawheight=&277& class=&origin_image zh-lightbox-thumb& width=&819& data-original=&https://pic2.zhimg.com/v2-ebf33d19eab9c265d36671_r.jpg&&&/figure&&blockquote&Kinect Pose recognition-来自微软研究院&/blockquote&&p&业内大名鼎鼎的Kinect Fusion，手持Kinect，就能对对身边的场景进行三维建模，&/p&&figure&&img src=&https://pic2.zhimg.com/v2-30502ffbb977a478fbfb39_b.png& data-rawwidth=&600& data-rawheight=&150& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic2.zhimg.com/v2-30502ffbb977a478fbfb39_r.jpg&&&/figure&&blockquote&Kinect Fusion-来自Kinect Fusion paper&/blockquote&&p&针对运动物体的Fusion 4D：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-cf3fab9f98cd1e03badab91d23be6f8d_b.png& data-rawwidth=&855& data-rawheight=&331& class=&origin_image zh-lightbox-thumb& width=&855& data-original=&https://pic2.zhimg.com/v2-cf3fab9f98cd1e03badab91d23be6f8d_r.jpg&&&/figure&&blockquote&Fusion 4D-来自Fusion 4D paper&/blockquote&&p&用Kinect Fusion来做AR远程通话和远程传送的Holoportaion：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-ec7abdcee4faed5c7739_b.png& data-rawwidth=&1920& data-rawheight=&272& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&https://pic2.zhimg.com/v2-ec7abdcee4faed5c7739_r.jpg&&&/figure&&blockquote&Holoportation-来自微软研究院&/blockquote&&p&用红外滤镜结合机器学习算法制作手机端深度传感器并用来进行人脸捕捉和手势交互的的Learning to Be a Depth Camera for Close-Range Human Capture and Interaction&/p&&figure&&img src=&https://pic4.zhimg.com/v2-8c66de5fba703ecef263c5b_b.jpg& data-rawwidth=&704& data-rawheight=&333& class=&origin_image zh-lightbox-thumb& width=&704& data-original=&https://pic4.zhimg.com/v2-8c66de5fba703ecef263c5b_r.jpg&&&/figure&&blockquote&Learning to Be a Depth Camera for Close-Range Human Capture and Interaction-来自微软研究院&/blockquote&&p&有了深度图和一些模型的初始模板，就能做深度图到三维参数化模型的快速配准，像是Apple收购的FaceShift的创始人Sofien Bouaziz的工作Dynamic 2D/3D Registration，就极有可能是Apple人脸建模背后的核心技术。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-dafcd80a2c6a948cd1802d_b.png& data-rawwidth=&694& data-rawheight=&282& class=&origin_image zh-lightbox-thumb& width=&694& data-original=&https://pic2.zhimg.com/v2-dafcd80a2c6a948cd1802d_r.jpg&&&/figure&&blockquote&Dynamic 2D/3D registration-来自&a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&figure&&img src=&https://pic3.zhimg.com/v2-930b24f288adb59beab5e6d825b047c5_b.jpg& data-rawwidth=&308& data-rawheight=&191& data-thumbnail=&https://pic2.zhimg.com/v2-930b24f288adb59beab5e6d825b047c5_b.jpg& class=&content_image& width=&308&&&/figure&&blockquote&Face registration-来自苹果官网&/blockquote&&p&有了深度图，也就能更快地实现人脸实时采集和跟踪，同样是来自Sofien Bouaziz的Realtime Performance-Based Facial Animation和Semi-Supervised Facial Animation Retargeting也极有可能是Apple的Animoji背后的技术基础。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-72afcdb6e7ba_b.png& data-rawwidth=&694& data-rawheight=&282& class=&origin_image zh-lightbox-thumb& width=&694& data-original=&https://pic2.zhimg.com/v2-72afcdb6e7ba_r.jpg&&&/figure&&blockquote&Realtime Performance-Based Facial Animation-来自&a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&figure&&img src=&https://pic4.zhimg.com/v2-a3deaadb31c526f_b.png& data-rawwidth=&694& data-rawheight=&282& class=&origin_image zh-lightbox-thumb& width=&694& data-original=&https://pic4.zhimg.com/v2-a3deaadb31c526f_r.jpg&&&/figure&&blockquote&Semi-Supervised Facial Animation Retargeting-来自&a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&figure&&img src=&https://pic1.zhimg.com/v2-5f02eef361c2_b.jpg& data-rawwidth=&596& data-rawheight=&332& data-thumbnail=&https://pic3.zhimg.com/v2-5f02eef361c2_b.jpg& class=&origin_image zh-lightbox-thumb& width=&596& data-original=&https://pic3.zhimg.com/v2-5f02eef361c2_r.jpg&&&/figure&&blockquote&Animoji-来自Apple&/blockquote&&p&再结合一些Gaze tracing的工作，就可以做到眼神解锁了&/p&&figure&&img src=&https://pic3.zhimg.com/v2-60e9cd0c5df91d4fb494ce_b.png& data-rawwidth=&958& data-rawheight=&321& class=&origin_image zh-lightbox-thumb& width=&958& data-original=&https://pic3.zhimg.com/v2-60e9cd0c5df91d4fb494ce_r.jpg&&&/figure&&blockquote&Realtime 3D Eye Gaze Animation Using a Single RGB Camera-来自&a href=&http://link.zhihu.com/?target=http%3A//humanmotion.ict.ac.cn& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&humanmotion.ict.ac.cn&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&h2&&b&起于微软，止于苹果&/b&&/h2&&p&看了这么多，想必大家也有一个感受，论黑科技研发，那当属微软研究院，可是论用黑科技赚钱，还是得看苹果。还是那句话，微软又“起了个大早，干了个晚集”。无数的新技术，都是始于科学研究和论文，但也万万不能忽视真正将他们带入日常生活的成果转化过程，无数理想化的假设，计算，都是靠着工程师们不断地优化，挖掘整个系统的极限，最后才能来到我们眼前和手中。另一方面，相比现在如火如荼的机器学习人工智能，图形学也终于蹭了一回热点。&/p&&p&今天，我们主要介绍了True Depth Camera硬件背后的原理和大致实现方式。如有疏忽请大家不吝指正，我们也会及时更新。之后的几期我们会专门针对Face ID的人脸建模，识别和Animoji的人脸重定向做更深入的分析，敬请期待。&/p&&h2&Reference&/h2&&p&[1] &a href=&http://link.zhihu.com/?target=https%3A//www.apple.com/iphone-x/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&apple.com/iphone-x/&/span&&span class=&invisible&&&/span&&/a&&/p&&p&[2] &a href=&http://link.zhihu.com/?target=https%3A//www.leiphone.com/news/LVS7IOTysitw2R.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&leiphone.com/news/20170&/span&&span class=&invisible&&9/R3LVS7IOTysitw2R.html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[3] &a href=&http://link.zhihu.com/?target=https%3A//www.fool.com/investing//apples-iphone-x-event-what-you-need-to-know.aspx& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&fool.com/investing/2017&/span&&span class=&invisible&&/09/12/apples-iphone-x-event-what-you-need-to-know.aspx&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[4] &a href=&http://link.zhihu.com/?target=https%3A//www.google.com/patents/US& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&google.com/patents/US20&/span&&span class=&invisible&&&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[5] &a href=&http://link.zhihu.com/?target=http%3A//www.chipworks.com/about-chipworks/overview/blog/inside-the-intel-realsense-gesture-camera& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&chipworks.com/about-chi&/span&&span class=&invisible&&pworks/overview/blog/inside-the-intel-realsense-gesture-camera&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[6] &a href=&http://link.zhihu.com/?target=http%3A//www.sci.utah.edu/%7Egerig/CS/Materials/CS6320-CV-S2012-StructuredLight.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&sci.utah.edu/~gerig/CS6&/span&&span class=&invisible&&320-S2012/Materials/CS6320-CV-S2012-StructuredLight.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[7] &a href=&http://link.zhihu.com/?target=http%3A//www.sci.utah.edu/%7Egerig/CS/Materials/CS6320-CV-S2012-StructuredLight-II.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&sci.utah.edu/~gerig/CS6&/span&&span class=&invisible&&320-S2013/Materials/CS6320-CV-S2012-StructuredLight-II.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[8] &a href=&http://link.zhihu.com/?target=http%3A//users.dickinson.edu/%7Ejmac/selected-talks/kinect.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&users.dickinson.edu/~jm&/span&&span class=&invisible&&ac/selected-talks/kinect.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[9] &a href=&http://link.zhihu.com/?target=http%3A//www.futurepicture.org/%3Fp%3D116& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&futurepicture.org/?&/span&&span class=&invisible&&p=116&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[10] &a href=&http://link.zhihu.com/?target=https%3A//www.computer.org/csdl/mags/mu/2013/04/mmu-abs.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&computer.org/csdl/mags/&/span&&span class=&invisible&&mu/2013/04/mmu-abs.html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[11] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/publication/real-time-human-pose-recognition-in-parts-from-a-single-depth-image/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/publication/real-time-human-pose-recognition-in-parts-from-a-single-depth-image/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[12] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/project/kinectfusion-project-page/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/project/kinectfusion-project-page/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[13] &a href=&http://link.zhihu.com/?target=http%3A//www.cs.unc.edu/%7Edoums/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&cs.unc.edu/~doums/&/span&&span class=&invisible&&&/span&&/a&&/p&&p&[14] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/project/holoportation-3/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/project/holoportation-3/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[15] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/publication/learning-to-be-a-depth-camera-for-close-range-human-capture-and-interaction/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/publication/learning-to-be-a-depth-camera-for-close-range-human-capture-and-interaction/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[16] &a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com/publications.php& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com/publi&/span&&span class=&invisible&&cations.php&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[17] &a href=&http://link.zhihu.com/?target=http%3A//humanmotion.ict.ac.cn/papers/2016P1_EyeGaze/details.htm& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&humanmotion.ict.ac.cn/p&/span&&span class=&invisible&&apers/2016P1_EyeGaze/details.htm&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&&b&果壳中的宇宙系列文章：&/b&&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&果壳中的宇宙-IPHONE X的FACE ID和TRUE DEPTH CAMERA分析-硬件篇&/a&&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&果壳中的宇宙-IPhone X的Face ID和True Depth Camera分析-Animoji篇&/a&&/p&&p&_(:3」∠)_ _(?ω?”∠)_ _(:з)∠)_ ∠( ? 」∠)＿ _(:зゝ∠)_&br&请毫不犹豫地关注我们：&br&我们的网站：&a href=&http://link.zhihu.com/?target=https%3A//graphicon.io/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GraphiCon&/a&&br&知乎专栏：&a href=&https://zhuanlan.zhihu.com/graphicon& class=&internal&&GraphiCon图形控&/a&&br&微信公众号：GraphiCon&/p&&figure&&img src=&https://pic1.zhimg.com/v2-3850f35adecd7c208c615c0_b.png& data-rawwidth=&430& data-rawheight=&430& class=&origin_image zh-lightbox-thumb& width=&430& data-original=&https://pic1.zhimg.com/v2-3850f35adecd7c208c615c0_r.jpg&&&/figure&&p&如果你有什么想法，建议，或者想加入我们，你可以：&br&给我们发邮件：&a href=&mailto:hi@graphicon.io&&hi@graphicon.io&/a&&br&加入我们的QQ群：SIQGRAPH（）&br&加入我们的slack群：&a href=&http://link.zhihu.com/?target=https%3A//graphicon.herokuapp.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GraphiCon&/a&&br&GraphiCon长期接受投稿，如果你想投稿给我们可以通过上面的方式联系我们！&/p&&figure&&img src=&https://pic3.zhimg.com/v2-885fb112fbdbe_b.png& data-rawwidth=&88& data-rawheight=&31& class=&content_image& width=&88&&&/figure&&p&本作品采用&a href=&http://link.zhihu.com/?target=http%3A//creativecommons.org/licenses/by-nc-nd/4.0/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议&/a&进行许可。&/p&&p&如需转载请署名。&/p&&p&&/p&
9月12号，苹果在10年后的one more thing里发布了被剧透的一干二净的IPhone X。全面屏，OLED，无线充电，全新手势交互都和以往的机型拉开了差距。但是最吸引人的无疑是True Depth Camera和Face ID部分，移动设备上的深度相机True Depth Camera和基于它的Face…
作为一个电路设计师，我整个职业生涯都花在接口电路上，串行并行都做过，且速度不慢（DDR3-1600Mbps, SerDes 30Gbps），这个问题不答实在技痒难耐。已经看到的答案中，大家基本上都命中了关键的知识点，但是没有把背后的逻辑说清楚，也没有人从电学特性和经济的角度分析这个问题。大言不惭，欢迎大家拍砖讨论。&br&----------2月3日补充--------&br&名词解释:&br&Mbps, Gbps: 一百万比特每秒，十亿比特每秒&br&skew：时间偏差，A比B快/慢一秒，就叫skew一秒&br&PCB：印刷电路板，也就是大多数电路板&br&IO： 输入输出电路&br&cable： 线缆&br&SerDes：串行转并行，并行转串行&br&&br&还有人说贯口最快的，我们来算一算。&b&业界目前大量应用的28Gbps SerDes，传一个比特只要35.7皮秒，这点时间光在真空中可以走上一厘米，连角膜到视网膜都不够。&/b&哪个快？&br&&br&----------正式答案的分割线--------&br&先说我的答案，&b&串行接口为啥比并&/b&&b&行接&/b&&b&口快？是因为串口的特性和应用场景，决定了它更加适合采用一些提高单根信道速率的设计方法，这些方法用在并口上并不合适。&/b&&br&&br&讨论这个问题，首先要搞清楚定义，什么叫并行接口（parallel link）？ 什么叫串行接口（serial link）？这就可以吵一天。&br&&blockquote&并口代表DDR说：“我是并口的纯正血统杰出代表，每8bit要附带一对DQS线作为时钟，每个bit都要同步到这对DQS上去，skew超标就不能工作，64位DDR3-1600总带宽可以到100Gbps，哪个串口做得到”？鄙人冷笑，说：“别以为我不知道你的底细，别看你IO是1.6G，内存控制器给你的一般都是4位并行的400M，你要先悄悄做一下并行转串行，再输出。何况你传64bit数据需要80根全速率的DQ/DQS线，还要20多根半速率命令地址线，平均下来一根线1G还不到”。&br&&br&XAUI举手问：“我算串口么？XAUI一定是8组16根差分线，4组读4组写，缺任何一组都不符合协议，看着很并行啊？” 32位的PCI-E也一脸关心的等着答案。&/blockquote&&b&我们先这么定义&/b&：在&u&一个独立的信道上&/u&，&u&每次同时传输1bit为串口，每次同时传输多个bit为并口&/u&。标准的串口如XAUI，HDMI等，每对差分线组成一个信道（channel）,每个信道是否能成功传输并不取决于其他信道。而DDR这种，10根线组成一个信道，每次同时传8bit，错了某一bit只能重新传，便是标准并口，芯片内部的并转串和IO并不相关，不影响定性。按照这个定义，大家看看各种接口协议怎么划分呢？我觉得已经很清楚了，以单个channel的传输速率衡量，串口一般来说更快。下一个问题就是，为什么呢？&br&&br&&b&这是一个电学问题，但首先是一个经济问题。&/b&&br&对任何一种协议，提高总带宽不过是两种办法，首先要提高单根线的传输速率，其次只能增加电线的数目。增加线的数目实在费钱，首先现在的芯片往往IO都很紧张，增加了IO PAD还要搭上额外的ESD和面积；封装和PCB上增加额外的线更复杂更贵这就不用说了，对于某些用cable的协议基本就是不可接受的。你是愿意插16根网线还是一根？接电视机的时候喜欢一根线的HDMI，还是五根线的RGB+音频？还有 &a data-hash=&aeafc3e8db22& href=&//www.zhihu.com/people/aeafc3e8db22& class=&member_mention& data-editable=&true& data-title=&@Arthur Wang& data-hovercard=&p$b$aeafc3e8db22&&@Arthur Wang&/a& 提到的150米长线。。。。。。何况并口还要对这些线进行长度匹配，想想头就大了。&br&&br&历史上，工程师们确实是先做了串口，速度不够没办法只好含泪加电线上并口，直到他们发现了三大法宝来提速，并口的动力就不那么强劲了，正如 &a data-hash=&26827ea43acd624ce07f23df81df8aa6& href=&//www.zhihu.com/people/26827ea43acd624ce07f23df81df8aa6& class=&member_mention& data-editable=&true& data-title=&@auxten& data-hovercard=&p$b$26827ea43acd624ce07f23df81df8aa6&&@auxten&/a& 所言。但是在芯片内部，增加总线宽度的代价并不高，因此CPU里面有个1024位的数据总线也不奇怪。&br&&br&为了提高单根线的传输速率，必须要讲到我们模拟电路工程师的三大法宝，&b&差分信号（differential signaling），时钟-数据恢复（Clock-Data Recovery，简称CDR），和信道均一化（Channel Equalization，Eq）。&/b&&br&&br&&b&差分信号&/b&的好处 &a data-hash=&331df519ec47c997dc6f54& href=&//www.zhihu.com/people/331df519ec47c997dc6f54& class=&member_mention& data-editable=&true& data-title=&@龚黎明& data-hovercard=&p$b$331df519ec47c997dc6f54&&@龚黎明&/a&&a data-hash=&6ea2a2feb5da3b611ccdda8d4888333e& href=&//www.zhihu.com/people/6ea2a2feb5da3b611ccdda8d4888333e& class=&member_mention& data-editable=&true& data-title=&@andrew song& data-hovercard=&p$b$6ea2a2feb5da3b611ccdda8d4888333e&&@andrew song&/a& 已经提过了，不外乎抗干扰能力强，引入的噪声也比较小，虽然必须要两根线，但速度从几百M提高到几G，还是很值得的。&br&&br&CDR的好处 &a data-hash=&331df519ec47c997dc6f54& href=&//www.zhihu.com/people/331df519ec47c997dc6f54& class=&member_mention& data-editable=&true& data-title=&@龚黎明& data-hovercard=&p$b$331df519ec47c997dc6f54&&@龚黎明&/a& 也说过了，消灭了skew，减少了时钟的功耗和噪声（但多出了CDR电路本身的功耗和噪声），同时避免了电磁干扰。想想在PCB或者电线上传一个15G的时钟，太带感了，幸亏我们不用做这种事。&br&&br&&b&信道均一化 &/b&相当值得一提，这才是SerDes高速发展的决定性因素，所以我决定花点文字讲一下。&br&一般来说，真实世界中的信道都是低通特性的，到处都是小电容，所谓绝缘体中的分子在高频情况下吸收电场能量，再加上金属线中的趋肤效应，所以我们想要的高频信号走不了多远就不像样子了，比如下面某信道的频率特性（绿线）。&br&&figure&&img src=&https://pic4.zhimg.com/4eb57a7d5fcaee7d7ba03eb_b.jpg& data-rawwidth=&585& data-rawheight=&401& class=&origin_image zh-lightbox-thumb& width=&585& data-original=&https://pic4.zhimg.com/4eb57a7d5fcaee7d7ba03eb_r.jpg&&&/figure&&br&如图所示，在对应28Gbps的频点上，信号能量被衰减了30db，电压幅度只剩3%了；在对应56Gbps的频点上更惨，65db意味着信号电压摆幅剩下不到千分之一。在这种信道中，发送端一个完美漂亮的数据眼图：&figure&&img src=&https://pic2.zhimg.com/b494eae9d90f56b55aacaf1b_b.jpg& data-rawwidth=&447& data-rawheight=&325& class=&origin_image zh-lightbox-thumb& width=&447& data-original=&https://pic2.zhimg.com/b494eae9d90f56b55aacaf1b_r.jpg&&&/figure&&br&到了接收端会变成这样的一堆垃圾：&br&&figure&&img src=&https://pic3.zhimg.com/91bcd5c5a05b8908f57a_b.jpg& data-rawwidth=&429& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&429& data-original=&https://pic3.zhimg.com/91bcd5c5a05b8908f57a_r.jpg&&&/figure&什么都辨认不出来对吧。但是，经过我们聪明的工程师们一番努力，均一化开关打开，信号就变成了这样：&br&&figure&&img src=&https://pic2.zhimg.com/4cd12da3cb50b0dffa4e401_b.jpg& data-rawwidth=&426& data-rawheight=&304& class=&origin_image zh-lightbox-thumb& width=&426& data-original=&https://pic2.zhimg.com/4cd12da3cb50b0dffa4e401_r.jpg&&&/figure&&br&神奇么？我觉得挺神奇的，我认识的电子工程师们第一次看到这个，没人觉得不神奇。&br&&br&&br&&b&下面一个重要的问题，既然有了三大法宝，他们只能用在串口上吗?&/b&&br&&b&答案很显然，不是，串口可以用的，我们并口一样可以用。那为什么并口不用呢？&/b&&br&&br&&b&差分信号&/b&这条不用说了，并口的电线本来已经够多了，数目还要再翻一倍？系统工程师会杀人的。&br&&b&CDR &/b&意义也不大，反正你并口速度也不高，一堆数据线中顺便传下时钟，比做接收端做CDR再采样每一位数据省事多了。&br&&b&信道均一化&/b&属于屠龙之技，不用差分信号的话也就传几百M，本来就没啥衰减，用这个干啥？还是考虑下各种噪声串扰的问题吧。&br&&br&于是答案就呼之欲出了。&b&串口为啥比并口快？是因为串口的特性和应用场景，决定了它更加适合采用一些可以提高单根信道速率的设计方法，这些方法用在并口上并不合适。&/b&&br&&br&从现有的应用看来，需要持续稳定高带宽的应用，往往使用高速串行接口，一根带宽不够再加一根，各种视频网络应用，基本如此。而一些历史遗留速度不高的应用，还有一些需要突发性高带宽的应用，并口仍然存活，比如很特殊的DDR。虽然XDR/GDDR/HMC/HCM这些新标准都在试图引入SerDes， 但DRAM行业的特殊性还是让并口继续存活着。&br&&br&最后一段是我对 &a data-hash=&331df519ec47c997dc6f54& href=&//www.zhihu.com/people/331df519ec47c997dc6f54& class=&member_mention& data-editable=&true& data-title=&@龚黎明& data-hovercard=&p$b$331df519ec47c997dc6f54&&@龚黎明&/a& 答案的批评，欢迎指正。这个答案清楚明晰的指出了几乎所有串口的优势，但是忘了提及一点，这些优势其实是三大法宝带来的，并非串口与生俱来。就像小强开车小明走路，小强自然快很多，但并非他天生就快，而是因为小明腿短够不到油门。蛤蛤蛤蛤
作为一个电路设计师，我整个职业生涯都花在接口电路上，串行并行都做过，且速度不慢（DDR3-1600Mbps, SerDes 30Gbps），这个问题不答实在技痒难耐。已经看到的答案中，大家基本上都命中了关键的知识点，但是没有把背后的逻辑说清楚，也没有人从电学特性和经…
&figure&&img src=&https://pic2.zhimg.com/v2-a9f095d18d8cae0dd9865279bdca7adc_b.jpg& data-rawwidth=&480& data-rawheight=&290& class=&origin_image zh-lightbox-thumb& width=&480& data-original=&https://pic2.zhimg.com/v2-a9f095d18d8cae0dd9865279bdca7adc_r.jpg&&&/figure&&p&基于神经网络的人工智能近年取得了突破性进展，正在深刻改变人类的生产和生活方式，是世界各国争相发展的战略制高点。&/p&&p&神经网络作为实现人工智能任务的有效算法之一，已经在各种应用场景获得广泛的应用。从云端到移动端，不同应用场景也对神经网络的计算能力提出了不同的需求。&/p&&p&神经网络的广泛应用离不开核心计算芯片。目前的主流通用计算平台包括CPU和GPU，存在着能效较低的问题（能效即能量效率，是性能与功耗的比值）。为了获得更高的能效，我们需要设计一种专用的神经网络计算芯片来满足要求。国际IT巨头，如英特尔、谷歌、IBM，都在竞相研发神经网络计算芯片。&/p&&p&然而，神经网络的结构多样、数据量大、计算量大的特点，给硬件设计带来了巨大挑战。因此，在设计面向神经网络的高性能、高能效硬件架构时，我们需要思考清楚以下三个问题：&/p&&ul&&li&&p&好的计算模式应该是怎样的？&/p&&/li&&li&&p&为了支持这样的计算模式，架构应该怎样设计？&/p&&/li&&li&&p&已经实现的硬件架构，针对具体算法和应用需求，如何配置成最优的计算模式？&/p&&/li&&/ul&&p&雷锋网本期公开课特邀请到清华大学微纳电子系四年级博士生涂锋斌，为我们分享神经网络硬件架构的设计经验。他将通过介绍其设计的可重构神经网络计算架构 DNA （Deep Neural Architecture），与大家分享在设计神经网络硬件架构时需要思考的问题。他在完成设计的同时，解决了这些问题，并对现有的硬件优化技术做出了总结。&/p&&p&本文根据雷锋网硬创公开课演讲原文整理，并邀请了涂锋斌进行确认，在此感谢。由于全文篇幅过长，分（上）（下）两部分，敬请期待。&figure&&img src=&https://pic1.zhimg.com/v2-6471f7eacecc19b3bd86b8_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-6471f7eacecc19b3bd86b8_r.jpg&&&/figure&&/p&&p&公开课视频：&a class=&video-box& href=&http://link.zhihu.com/?target=https%3A//v.qq.com/x/page/r0504zxvl3j.html& target=&_blank& data-video-id=&& data-video-playable=&& data-name=&设计神经网络硬件架构时，我们在思考些什么_腾讯视频& data-poster=&https://puui.qpic.cn/qqvideo_ori/0/r0504zxvl3j_228_128/0& data-lens-id=&&&
&img class=&thumbnail& src=&https://puui.qpic.cn/qqvideo_ori/0/r0504zxvl3j_228_128/0&&&span class=&content&&
&span class=&title&&设计神经网络硬件架构时，我们在思考些什么_腾讯视频&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&https://v.qq.com/x/page/r0504zxvl3j.html&/span&
&/p&&p&各位观众晚上好，我是来自清华大学的涂锋斌，今天非常荣幸收到雷锋网(公众号：雷锋网) AI 科技评论的邀请，在此给大家做一节硬创公开课，主题是《设计神经网络硬件架构时，我们在思考什么？》&br&&/p&&p&首先做一个自我介绍。我是清华大学微纳电子系的博士生涂锋斌，今年直博四年级，我的导师是魏少军教授和尹首一副教授，博士课题是高能效神经网络加速芯片设计，研究兴趣包括深度学习，计算机体结构及集成电路设计。&figure&&img src=&https://pic4.zhimg.com/v2-48bf4f3e92b064ddce190f_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic4.zhimg.com/v2-48bf4f3e92b064ddce190f_r.jpg&&&/figure&&/p&&p&我作为核心架构设计者，完成了可重构神经计算芯片 Thinker 的设计。该芯片作为清华大学代表性成果，参加了 2016 年全国双创成果展，获得李克强总理的高度赞许。相关研究成果已经发表数篇国际顶级会议和权威期刊论文。&figure&&img src=&https://pic1.zhimg.com/v2-01cfd379d80c6d_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-01cfd379d80c6d_r.jpg&&&/figure&&/p&&p&本次公开课将从以下五个方面展开。&/p&&ul&&li&&p&研究背景&/p&&p&我将介绍神经网络的一些背景知识及特点，它们给硬件设计带来哪些挑战？&/p&&/li&&li&&p&计算模式&/p&&p&从算法和调度的角度分析神经网络需要怎样的计算模式；而基于优化的计算模式，我们需要怎样的架构支持神经网络的计算？&/p&&/li&&li&&p&架构设计&/p&&p&针对计算模式的需求，如何设计高性能、高能效的神经网络计算架构？可重构神经网络计算架构 DNA（Deep Neural Architecture）具有哪些特点？&/p&&/li&&li&&p&实验结果&/p&&p&DNA 的性能与能效表现如何？与顶尖工作相比的情况如何？&/p&&/li&&li&&p&总结思考&/p&&p&针对神经网络硬件架构的设计展开一些思考和讨论。&/p&&/li&&/ul&&p&在经过前面的学术风暴后，我将打开摄像头与大家互动，进入提问环节。&/p&&h2&一、研究背景&figure&&img src=&https://pic1.zhimg.com/v2-c81b7c3ef8cca4b40ecaa_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-c81b7c3ef8cca4b40ecaa_r.jpg&&&/figure&&/h2&&h3&无处不在的神经网络&/h3&&p&随着人工智能时代的到来，图像识别、语音识别、自然语言处理等智能任务在生活中无处不在。而神经网络作为当前实现这类智能任务最有效的算法之一，已经获得广泛的应用。&figure&&img src=&https://pic1.zhimg.com/v2-cdd9df3d0ad74f0f9f465c70e9669417_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-cdd9df3d0ad74f0f9f465c70e9669417_r.jpg&&&/figure&&/p&&p&比方说：&br&&/p&&ul&&li&&p&百度图片搜索；&/p&&/li&&li&&p&微软语音识别；&/p&&/li&&li&&p&谷歌在线翻译；&br&&/p&&/li&&li&&p&……&/p&&/li&&/ul&&p&可以说，神经网络在我们的生活中真是无处不在。&/p&&p&那么什么是神经网络？我们不妨从神经元开始理解。如图所示，这是一个生物上的神经元。它由树突、细胞体、轴突和神经末梢这四个部分构成。&figure&&img src=&https://pic4.zhimg.com/v2-470eb5b79aa3dfa0cceeac_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic4.zhimg.com/v2-470eb5b79aa3dfa0cceeac_r.jpg&&&/figure&&/p&&ul&&li&&p&1. 通过树突接受输入信号；&/p&&/li&&li&&p&2. 在细胞体内进行信号处理；&/p&&/li&&li&&p&3. 通过轴突和神经末梢把输出信号传至其它神经元；&/p&&/li&&li&&p&4. 而大量的神经元就构成了我们的神经系统。&/p&&/li&&/ul&&p&而这就启发了人工神经元模型的诞生。我们可以看到，它的示意图其实与神经元是十分相似的。它仍然由左边的多个输入，经过加权求和与非线性运算得到输出。&/p&&h3&一个简单的神经元能做些什么？&figure&&img src=&https://pic1.zhimg.com/v2-0fdca68c5a3e_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-0fdca68c5a3e_r.jpg&&&/figure&&/h3&&p&举个简单的例子。在空间中有红色和蓝色两类点。用简单的神经元，我们可以在空间中做一套曲面，将这两类点分开。这就是一个非常简单的分类问题。神经网络/神经元非常擅长用于做分类问题。&/p&&p&那么，当我们有很多神经元后，我们可以得到一个神经网络，它又能用来做什么？&figure&&img src=&https://pic1.zhimg.com/v2-bb0a4bb26d0d9d0b67dc17_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-bb0a4bb26d0d9d0b67dc17_r.jpg&&&/figure&&/p&&p&这幅图给出了一个非常简单的典型单层神经网络。其中的每一个圆圈代表一个神经元，它们相互连接，就构成了一个神经网络。一个相对复杂的结构可以做些什么？&/p&&p&如图所示，空间中仍然有红蓝两种颜色的点，我们采用了相对复杂的神经网络，可以在空间中画一条分类的曲面，我们可以看到，问题比刚才的问题难度更大，图中的这条粉色线勾勒出的这条曲面，才能对复杂问题进行分类。&figure&&img src=&https://pic2.zhimg.com/v2-95cb2e13d1bb7f40187f_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-95cb2e13d1bb7f40187f_r.jpg&&&/figure&&/p&&p&在 2012 年，神经网络 AlexNet 在 ImageNet 图像分类竞赛上取得突破，获得了 85% 的准确率，相较于之前最好的识别率提升了 10% 以上。这是一个非常大的突破，在当时引起了非常广泛的关注。而现在，每年举办的 ImageNet 的识别精确度已经超过了 95%，已经超过人类识别图片的能力。这是一个非常惊人的结果。直至今年，每年拔得头筹的团队都是采用神经网络。&figure&&img src=&https://pic2.zhimg.com/v2-da11ac7f07dcc_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-da11ac7f07dcc_r.jpg&&&/figure&&/p&&p&AlexNet 是一个非常典型的、被大家广泛研究的神经网络，因为它的层次很深，共有 8 个层次，人们也称之为深度神经网络，而基于深度神经网络的机器学习算法，我们也给它取了一个非常好听的名字叫「深度学习」。大家经常会在媒体上听到词，其实它的本质依然是神经网络。&/p&&h3&各种应用场景对神经网络的需求&/h3&&p&而正是因为神经网络如此强大的能力，目前广泛地应用于各种应用场景，例如：&figure&&img src=&https://pic4.zhimg.com/v2-d0003e7eae7c55eb9030bde09ce31755_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic4.zhimg.com/v2-d0003e7eae7c55eb9030bde09ce31755_r.jpg&&&/figure&&/p&&ul&&li&&p&云端：公司会架设一些服务器来提供人工智能的服务；&/p&&/li&&li&&p&移动端：无论是智能手机、智能汽车、无人机或是机器人，都会运用神经网络实现图像识别、物体跟踪和语音识别的智能任务。&/p&&/li&&/ul&&p&而不同应用场景对神经网络也提出了不一样的计算需求，比如：&/p&&ul&&li&&p&在数据中心，大家非常关注计算的性能和并行度，对功耗的需求并不大，当然，功耗自然是越低越好；&/p&&/li&&li&&p&而在无人机的应用场景下，大家会关注在满足最基本的识别或智能需求，保证性能的前提下，尽可能地降低功耗。因为在移动端，电池容量非常有限，对低功耗自然有着很强的需求。&/p&&/li&&/ul&&h3&现有通用计算平台的不足&/h3&&p&然而，现有通用计算平台（CPU、GPU）具有一些不足。&figure&&img src=&https://pic1.zhimg.com/v2-b95dc0fd691d11b819ed6_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-b95dc0fd691d11b819ed6_r.jpg&&&/figure&&/p&&p&以 CPU 为例，它的性能差，能效低。&strong&能效是能量效率的简称，是性能与功耗的比值。我们通常用 GOPS/W (千兆操作数每秒每瓦) 的单位来描述能效，它是一个非常好地衡量计算效率的指标。&/strong&&/p&&p&我们这里讨论的能效是考虑了片外存储的系统级能效。后面提及的能效也是指的同一概念。&/p&&p&我们在服务器上做了一个实验，在 CPU 上计算 AlexNet 需要 254.5 ms，相当于处理 4-5 张图片，而功耗需要 80 W，总能效为 0.2 GOPS/W。而同样的情况在 GPU 上计算，总能效为 1.7 GOPS/W，我们希望能效能达到 100 GOPS/W 甚至更高。&/p&&h3&神经网络的三大特点&/h3&&p&但是，神经网络的三大特点给硬件加速带来巨大挑战。&/p&&ul&&li&&p&&strong&挑战一：不同网络的层次不同&figure&&img src=&https://pic1.zhimg.com/v2-0ce498d9aa54f4d82855_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-0ce498d9aa54f4d82855_r.jpg&&&/figure&&/strong&&/p&&/li&&/ul&&p&我们列举了四个非常经典的神经网络，分别是 AlexNet（11 层）、VGG（19 层）、GoogLeNet（22 层）与 ResNet（152 层），我们可以看到，因为识别精度的不同，我们往往会设计更深更复杂的神经网络，会导致网络层次变多，给硬件加速带来很大挑战。&/p&&ul&&li&&h4&挑战二：不同层的类型不同&figure&&img src=&https://pic2.zhimg.com/v2-bbec0c598b7_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-bbec0c598b7_r.jpg&&&/figure&&/h4&&/li&&/ul&&p&同样以 AlexNet 为例子，神经网络由三种主要层类型组成，包括卷积层（CONV）、池化层（POOL）与全连接层（FC）。图中红框部分即为卷积层，而蓝框部分属于池化层，绿框部分为全连接层。每一层的计算都有些许不同。&/p&&ul&&li&&p&&strong&挑战三：不同层的参数多样，数据量、计算量大&figure&&img src=&https://pic3.zhimg.com/v2-40e0cfbe270d338b5bfc8_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic3.zhimg.com/v2-40e0cfbe270d338b5bfc8_r.jpg&&&/figure&&/strong&&/p&&/li&&/ul&&p&以 AlexNet 为例，最左列呈现了所有层的类型和名字，后面的一系列参数表示它的核尺寸、步长、输入输出图尺寸等。因为参数不同，它们的数据量与计算量都不同，且非常大。&/p&&p&在卷积层上，它的计算量非常大；而全连接层中，计算量相比卷积层稍小，但数据量尤其是权重量则非常大。&figure&&img src=&https://pic3.zhimg.com/v2-359ec01abe553fccdab62_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic3.zhimg.com/v2-359ec01abe553fccdab62_r.jpg&&&/figure&&/p&&p&这三大特点仍然使硬件加速的实现带来一些挑战。&/p&&ul&&li&&p&1. 不同网络的层数、参数不同——计算的灵活性比较高&/p&&/li&&li&&p&2. 不同层的类型不同，参数多样——计算复杂度高---降低硬件的性能&/p&&/li&&li&&p&3. 数据量、计算量大——提高功耗&/p&&/li&&/ul&&p&总体而言，我们需要一个灵活高效的硬件架构支持我们的神经网络。&/p&&h3&我们的设计目标和实现&figure&&img src=&https://pic2.zhimg.com/v2-4d9dbdd326e7b849e0a68cf_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-4d9dbdd326e7b849e0a68cf_r.jpg&&&/figure&&/h3&&p&这样一来，我们的设计目标就确定了，即设计一个面向神经网络的高能效计算架构，它需要具备以下三个特点：&/p&&u}
友情链接：
备皖ICP备号-28 上传我的文档
 下载
 收藏
粉丝量：20
该文档贡献者很忙，什么也没留下。
 下载此文档
性能测试-基础知识
下载积分：1000
内容提示：性能测试-基础知识
文档格式：DOC|
浏览次数：39|
上传日期： 17:28:49|
文档星级：
全文阅读已结束，如果下载本文需要使用
 1000 积分
下载此文档
该用户还上传了这些文档
性能测试-基础知识
关注微信公众号关注51Testing
性能测试知多少--系统计数器与硬件分析
发表于： 10:17 &作者：虫师 & 来源：51Testing软件测试网采编
推荐标签：
性能计数器（Performance Counter），也叫性能监视器。一个人健康状况如何，我们通过对其做各项体检获得相关的状况指标，如血压、心跳，肺活量等。那么在做过程中，整个系统的软硬件进行监控也必不可少，监控所获得的数据也是我们分析系统性能的主要依据。 在整个系统中，对于不同的软件和硬件，我们对其监控的指标也不一样，就像一个公司中的所有人员，其每个人的职责不同，评判和考核的标准也是不一样的。下面将从系统的各个方面进行分析。 性能计数器 操作系统监控器，主要监控操作系统级别上的系统性能表现，这里分析最常见的操作系统与操作系统。 window 操作系统的主要性能计数器 Windows操作系统的性能监控： Window系统下的计数器比较多，主要技术器如下：
搜索风云榜
( 16:44:09)
很详细 很好
51Testing官方微信
51Testing官方微博
测试知识全知道公开课《LR之Socket脚本开发》_在线播放_最新视频高清在线观看_爱酷网(ikoo8.com)<meta name="description" content="ROAD公开课第68讲主题：LR之Socket脚本开发YY频道:讲师:CKL讲师简介：ROAD性能测试学员主要讲课内容：1.了解Socket82.获取Socket报文的途径3.LR中的Socket脚本开发4.脚本的提高!5.常见的Socket函数"" /><meta property="og:description" content="ROAD公开课第68讲主题：LR之Socket脚本开发YY频道:讲师:CKL讲师简介：ROAD性能测试学员主要讲课内容：1.了解Socket82.获取Socket报文的途径3.LR中的Socket脚本开发4.脚本的提高!5.常见的Socket函数"" /><meta itemprop="description" content="ROAD公开课第68讲主题：LR之Socket脚本开发YY频道:讲师:CKL讲师简介：ROAD性能测试学员主要讲课内容：1.了解Socket82.获取Socket报文的途径3.LR中的Socket脚本开发4.脚本的提高!5.常见的Socket函数"" />您的浏览器不支持 JavaScript ！ Your browser does not support JavaScript !友情提示&&&全部频道网站地图公开课《LR之Socket脚本开发》0播放源：发布时间：分类：教育作者：lokewang选择打赏方式：您的赞赏是我们前进的动力，多少您随意~提示:打赏的是网站站长，跟视频或文章内容无关！猜你喜欢播放：1.1千播放：343播放：229播放：217播放：207播放：178播放：171播放：149播放：139播放：133播放：115播放：104播放：99播放：88播放：84播放：80播放：76播放：73播放：64播放：63&&&&&p&立创EDA是一款非常神奇非常有意思的在线EDA工具，且终身免费，就功能而言，对中小企业和个人制作来说，是足够了。当然团队需要继续努力。&/p&&a href=&//link.zhihu.com/?target=https%3A//lceda.cn/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic3.zhimg.com/v2-d757a9ae024bd99d8d20eadf4f4e.jpg& data-image-width=&1040& data-image-height=&616& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&立创EDA - 一个用心为中国人定制的电路板开发平台&/a&&p&&b&亮点一：终身免费&/b&&/p&&p&立创EDA没有版权问题，彻底解决了大部分国人使用EDA的版权风险。在国内推广，免费是主流，没办法，国情就是如此。立创能做到免费，这点确实是非常有魄力的，也是其他厂商难以复制的模式。&/p&&p&&br&&/p&&p&&b&亮点二：国产奇迹 真正全华班&/b&&/p&&p&任何品牌啥的都要说点情怀，立创也有，如题主所说，立创EDA海外版本叫easyeda，起于2010年，&b&完全由中国人独立开发，拥有独立自主知识产权&/b&。EasyEDA团队利用6年时间基于JavaScript建立了一个优秀的EDA框架。&/p&&p&这种轻量级的云端工具深受歪果仁喜爱，用户已经覆盖全球一百九十多个国家，并且受到了很多用户的好评。软件有了更好的打磨，团队有了更多的经验，开始做国内版本，就是立创EDA（lceda）。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-2d41e3981dcffec97ea702_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1422& data-rawheight=&745& class=&origin_image zh-lightbox-thumb& width=&1422& data-original=&https://pic3.zhimg.com/v2-2d41e3981dcffec97ea702_r.jpg&&&/figure&&p&&b&亮点三：高效率工作，快到没盆友。&/b&&/p&&p&已创建30多万种实时更新的元件，你也可以导入自己常用封装库，在线搜索即可放置。&/p&&p&多层板，数千焊盘，依然能快速运行，布线流畅自如。&/p&&p&电路开源，集万名电子工程师智慧共同开发的常用电路开源模块，模块复用。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-eea408de5d0_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1334& data-rawheight=&654& class=&origin_image zh-lightbox-thumb& width=&1334& data-original=&https://pic1.zhimg.com/v2-eea408de5d0_r.jpg&&&/figure&&p&&b&亮点四：云端共享&/b&&/p&&p&你只需要打开网站登录账号，就能继续工作，随时，随地，随设备，登录浏览器即可，断网也不怕。不用U盘，不用拷贝，不用考虑电脑配置，只需记住你的账号密码。&/p&&p&能创建团队，协同开发，邀请伙伴协作工程设计，电路练接你我他。&/p&&p&可以导入Eagle, Altium Designer, Kicad, LTspice设计文件和库文件，全面支持。&/p&&p&最后，个人主页还能成为求职的作品展示页。&/p&&p&&b&传送门：&a href=&//link.zhihu.com/?target=https%3A//lceda.cn/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&立创EDA - 一个用心为中国人定制的电路板开发平台&/a&&/b&&/p&&p&请点赞谢谢。O(∩_∩)O&/p&&p&&/p&
立创EDA是一款非常神奇非常有意思的在线EDA工具，且终身免费，就功能而言，对中小企业和个人制作来说，是足够了。当然团队需要继续努力。亮点一：终身免费立创EDA没有版权问题，彻底解决了大部分国人使用EDA…
&figure&&img src=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_b.jpg& data-rawwidth=&638& data-rawheight=&538& class=&origin_image zh-lightbox-thumb& width=&638& data-original=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_r.jpg&&&/figure&&p&
2017年对于内燃机来说是很不平常的一年。这一年，很多国家都相继公布了禁售内燃机汽车的时间表。今年7月，英国和法国宣布，将在2040年停止销售常规汽油和柴油小型载客汽车（car）及货车（van）。此前，荷兰、挪威等国家政府也提出过将在年禁售传统燃油车的计划。一直号称要通过新能源汽车“弯道超车”实现汽车工业由大变强的中国，在刚刚闭幕的2017中国汽车产业发展（泰达）国际论坛上，据工业和信息化部副部长辛国斌透露，也已经启动制定燃油车退出时间表。&/p&&p&
前段时间，英国《经济学人》杂志上发表的头条文章《&a href=&https://link.zhihu.com/?target=https%3A//www.economist.com/news/leaders/-it-had-good-run-end-sight-machine-changed-world-death& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&内燃机之死（The Death of the Internal Combustion Engine）&/a&》更是将这一话题推向了高潮。有朋友已经把这篇文章翻译成了中文，英语阅读不方便的朋友可以直接查看中文版（&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&“内燃机之死”——今天的经济学人头条都说了些什么&/a&）。很多不明就里的民众就此认为：内燃机汽车真的要马上被电动汽车全面取代了，就像大约100年前，内燃机汽车取代蒸汽机汽车那样。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_b.jpg& data-rawwidth=&638& data-rawheight=&538& class=&origin_image zh-lightbox-thumb& width=&638& data-original=&https://pic4.zhimg.com/v2-b05f2a0fcbabff911c2cfa2_r.jpg&&&/figure&&p&
《经济学人》头条文章：The Death of the Internal Combustion Engine&/p&&p&&br&&/p&&p&
然而，内燃机真的要死了吗？电动汽车真的能够一往无前、势如破竹地全面取代内燃机吗？我们来看看Gautam Kalghatgi教授怎么说，一起了解更多关于电动汽车和内燃机的真相！&/p&&p&&br&&/p&&h2&&b&人体毒害潜力及其他限制纯电动汽车大规模增长的障碍&/b&&/h2&&p&&b&
Prof. Gautam Kalghatgi&/b&&/p&&p&
继英国政府宣布将在2040年停止销售一切常规汽油和柴油小型载客汽车（car）及货车（van）后，关于内燃机（internal combustion engine, ICE）消亡的评论一直不绝于耳（&a href=&https://link.zhihu.com/?target=https%3A//www.gov.uk/government/news/plan-for-roadside-no2-concentrations-published& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Government confirmed today that it will end the sale of all new&/a& &a href=&https://link.zhihu.com/?target=https%3A//www.gov.uk/government/news/plan-for-roadside-no2-concentrations-published& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&conventional petrol and diesel cars and vans by 2040, as it unveiled new plans&/a& &a href=&https://link.zhihu.com/?target=https%3A//www.gov.uk/government/news/plan-for-roadside-no2-concentrations-published& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&to tackle air pollution&/a&）。英国政府发布的文件还表明，政府的目标是：到2050年，路上行驶的几乎每一辆小型载客汽车及货车都将是零排放汽车。这表明，到2050年，英国政府将只允许纯电动（battery electric vehicles, BEVs）或氢燃料电池驱动的小型载客汽车及货车在英国的道路上行驶。法国也颁布了类似的政策。然而，需要注意的是，这些政策文件只提到了轻型车（light duty vehicles, LDVs），而并不包含大部分的商用运输工具（如长途卡车、飞机、舰船等），这些商用运输工具将可以继续使用基于石油燃料的内燃机驱动。在英国，轻型车能源需求只占交通运输能源总需求的一半左右，而对于全球来说，这个比例只有40%左右。&/p&&p&截止到2016年，在英国注册登记的乘用车约有3200万辆（&a href=&https://link.zhihu.com/?target=https%3A//www.statista.com/statistics/299972/average-age-of-cars-on-the-road-in-the-united-kingdom/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Number of cars on the road in the United Kingdom (UK) between 2000 and 2016 (in millions)&/a&），截止到2017年3月，在英国注册登记的可充电电动汽车（plug-in electric vehicles, PEVs）有10.4万辆（&a href=&https://link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Plug-in_electric_vehicles_in_the_United_Kingdom& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Plug-in electric vehicles in the United Kingdom&/a&），其中一部分可充电电动汽车还是插电式混合动力汽车（plug-in hybrid electric vehicles, PHEVs），即既有内燃机又有电池，所以严格来说不是零排放。实际上，一些新的证据表明，插电式混合动力汽车的车主不愿意经常费劲地把车连到电网上去充电，他们主要是为了获得补贴及其它一些优惠政策而购买插电式混合动力汽车，大部分情况下，他们都是烧汽油在行驶。不管怎样，如果我们假定到2050年时，英国注册登记的小型载客汽车及货车的数量与2016年时一致，为了满足英国政府的要求，2050年以后英国注册登记的纯电动车数量将是现有纯电动汽车保有量的约300倍，这个改变的规模非常巨大。考虑到不断下降的纯电动车成本以及政府政策的刺激，我们有强烈的信心，这种改变是可能的。然而，纯电动汽车的大规模增长依然存在巨大的障碍。下面我们来看看在英国的道路上只使用纯电动汽车的影响。&/p&&p&&b&一、纯电动汽车的人体毒害潜力&/b&&/p&&p&1. 已经有很多研究强调了电动汽车（electric vehicles, EVs）对人体和水质的毒害潜力，这些毒害潜力主要是由生产制造电池所需要的金属所导致（&a href=&https://link.zhihu.com/?target=http%3A//onlinelibrary.wiley.com/doi/10.1111/j.12.00532.x/pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Comparative Environmental Life Cycle Assessment of Conventional and Electric Vehicles&/a&）。针对这一问题，最近理特咨询公司（Arthur D Little）发表了一篇报告，非常有趣，也很容易理解（&a href=&https://link.zhihu.com/?target=http%3A//www.adlittle.com/fileadmin/editorial_us/downloads/ADL_BEVs_vs_ICEVs_January_24_2017_USA.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Battery Electric Vehicles vs. Internal Combustion Engine Vehicles——A United States-Based Comprehensive Assessment&/a& ）。&/p&&p&2. 尽管每日邮报（The Daily Mail）和空中电视台（Sky TV）报道了在刚果的矿井中工作的孩子们，并将他们的困境与电动车联系起来，但这些问题可能并没有引起太多的公众注意，因为所有的这些问题都发生在偏远地区（&a href=&https://link.zhihu.com/?target=http%3A//www.dailymail.co.uk/news/article-4764208/Child-miners-aged-four-living-hell-Earth.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Child miners aged four living a hell on Earth so YOU can drive an electric car: Awful human cost in squalid Congo cobalt mine that Michael Gove didn’t consider in his ‘clean’ energy crusade&/a&）。今年年初，卫报（Guardian）和华盛顿邮报（Washington Post）也有过类似的报道。然而，如果目标是将电动汽车的数量增加几百倍以完全取代内燃机，环保运动和其他非政府组织不太可能继续忽视这个环境问题。&/p&&p&3. 关于内燃机的环境危害，也有一些很常见的报道，比如“……柴油发动机导致了4万人（各种不同的数字）额外的死亡，因为氮氧化物排放……”。David Spiegelhalter教授对此有一个清晰的解释（&a href=&https://link.zhihu.com/?target=https%3A//wintoncentre.maths.cam.ac.uk/news/does-air-pollution-kill-40000-people-each-year-uk& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Does air pollution kill 40,000 people each year in the UK?&/a&）。从本质上讲，这只不过是一种猜测，而且这种影响也可以用一种听起来并不那么令人担忧的方式表达出来，例如：在伦敦和巴黎，暴露于PM2.5的风险相当于每天吸一根烟（见David Spiegelhalter教授文中表2）。&/p&&p&4. 除此之外，理特咨询公司的研究还称：“一辆2015年的纯电动汽车整个使用寿命内产生的毒性对人类生命的影响相当于20天的死亡或残疾（以失能调整生命年（disability adjusted life years, DALYs）衡量，失能调整生命年是美国国家卫生研究院（National Institutes of Health）定义的一个描述“在特定人群中，因疾病、残疾或过早死亡导致的健康生活损失的年数”的综合指标），而一辆2015年的内燃机汽车产生的毒性对这一指标的影响只有6天。对于2025年的车型，两者对环境的二次影响的差异将会进一步扩大，纯电动汽车将会产生更高的人体毒害风险。”&/p&&p&5. 如果像英国政府规划的那样，英国3200万辆乘用车全部被小型纯电动汽车取代，因此导致的人类健康生活损失的年数将达到170万年左右，而同样数量的内燃机汽车导致的人类健康生活损失的年数只有53万年。当然，如果电池容量更大一点的话（意味着更长的纯电续航里程），导致的人类健康生活损失的年数将更高。这个数字还不包含未来很长一段时间电动化余地很小的商用运输工具。&/p&&p&6. 正如理特咨询公司的报告中所说的：“与纯电动汽车对人体健康的潜在危害相比，所有其他的环境二次影响都显得苍白无力。因为汽车对人体毒害的潜力在汽车使用寿命的不同时段是不一样的，驾驶一辆纯电动汽车而不是内燃机汽车的决定，本质上是将内燃机汽车对人体健康影响相对较小的更靠近汽车本身的毒害转换成纯电动汽车对人体健康影响相对较大的靠近矿山尾矿的毒害。对于美国司机来说，这是一个在当地社区（或者驾驶区域）排放少量污染还是在采矿和制造的地方排放相比而言更多的污染的两难选择。”&/p&&p&7. 最后，电池回收的问题也需要解决（&a href=&https://link.zhihu.com/?target=https%3A//www.ft.com/content/fde-11e7-91a7-502f7ee26895& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Electric car growth sparks environmental concerns——Mining of raw materials and recycling of lithium-ion batteries in spotlight&/a&）。3200万辆汽车将产生超过1200万吨的电池。&/p&&p&8. 由于新型燃烧技术、先进后处理技术及控制技术的发展，未来几十年，内燃机的燃油消耗和排气污染将进一步减少。&/p&&p&&b&二、经济影响&/b&&/p&&p&1. 英国政府的税收中，燃料税和燃料增值税的收入每年约为360亿英镑。电动车取代内燃机后，这将不得不由其他税收来补偿。&/p&&p&2. 随着电动汽车数量的增加，政府财政补贴（在英国，每辆电动汽车补贴5000英镑）的负担将会增加。在某一阶段，也许在未来几年，这些补贴必须停止。然而，如果私家车车主需要自己投资来对家里的供电系统进行升级以满足电动汽车充电的需要，或者如果纯电动汽车的成本尽管已经大幅下降但仍然高于传统汽车，政府可能还需要继续补贴。目前，只要补贴一减少，电动汽车的销量就大幅下降，例如香港，丹麦（暂时减少），中国——比亚迪提高了价格而不是吸收新增的成本。&/p&&p&3. 新基础设施的成本，如充电桩（&a href=&https://link.zhihu.com/?target=https%3A//www.wsj.com/articles/the-problem-with-electric-cars-not-enough-chargers-& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Problem With Electric Cars? Not Enough Chargers&/a&）。在英国，大约40%的车主无法路外停车（off-road parking），政府将不得不投资建设充电桩，这可能需要高达870亿英镑的投资（&a href=&https://link.zhihu.com/?target=http%3A//uk.reuters.com/article/us-britain-power-autos-analysis/britain-faces-huge-costs-to-avoid-power-shortages-with-electric-car-plan-idUKKCN1BC3VU& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Britain faces huge costs to avoid power shortages with electric car plan&/a&）。&/p&&p&4. 额外的电力成本（&a href=&https://link.zhihu.com/?target=https%3A//www.theguardian.com/business/2017/jul/26/national-grid-fossil-fuel-vehicle-ban-electric-cars-is-there-enough-electricity-& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Is there enough electricity? National Grid reacts to fossil-fuel vehicle ban&/a&）。如果电力的来源不是无碳的，还需要考虑温室气体（greenhouse gas, GHG）效应（这对于法国来说也是一个问题，因为法国正准备放弃核电！）。大家应该注意，电动汽车的充电很可能来自边际发电（marginal electricity generation），这通常是基于化石燃料的，而不是可再生能源。&/p&&p&&b&三、锂的安全供应&/b&&/p&&p&
在生产电池所需要的锂的安全供应方面也存在一些顾虑（&a href=&https://link.zhihu.com/?target=https%3A//www.ft.com/content/90dd-11e7-919a-1e14ce4af89b& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Electric car demand sparks lithium supply fears&/a&）。锂的开采过程非常艰难，尽管储量丰富，但只集中在少数几个国家，这些国家可能无法或不愿意提高产量以满足日益增长的全球需求。&/p&&p&&b&四、英国的交通政策&/b&&/p&&p&
英国的交通政策如下：&/p&&p&昨天——出于对温室气体的担忧，大力推广柴油车&/p&&p&今天——由于氮氧化物和颗粒物排放的原因，转向推广纯电动汽车并将柴油车妖魔化&/p&&p&明天——随着纯电动汽车数量的增加，环保主义者开始觉醒并呼吁：因为政府的政策和大型的糟糕的电动汽车公司只对利润感兴趣，孩子们正在非洲的矿井中死去。其他的制约因素，比如经济方面的问题开始变得非常大?&/p&&p&后天——政府悄悄地放弃了对电动汽车的承诺和热情，就像他们之前对生物燃料那样？&/p&&p&&b&五、对石油需求量的影响&/b&&/p&&p&
如果全球电动汽车的数量真像狂热者所说的增长得那样快，那么首要的影响将是汽油需求的急剧减少，因为世界上大多数的轻型车（大约85%）是使用汽油驱动的火花点火式发动机。然而，全球对航空煤油、重型车辆及船运柴油的需求在未来几十年内预计将持续增长，尤其是在非经合组织国家（not the membership of Organisation for Economic Co-operation and Development, Non-OECD），如印度和中国（参见国际能源署（International Energy Agency, IEA）、埃克森美孚（ExxonMobil）、美国能源情报署（U.S. Energy Information Administration, EIA）等能源机构发布的能源前景展望），而这些油也必须由石油生产。因此，如果电动汽车的数量增长更快，汽油和中馏分油（航空煤油+柴油）需求之间的差距将会变得更加突出。为了满足日益增长的中馏分油的需求，石油的开采量依然需要增加。炼油时从石油中最先蒸馏出来的低辛烷值汽油成分（石脑油），以前通常都会被加工成汽油，未来将由于汽油需求减少而被废弃。这将导致石油公司及炼油商面临难题，而不是石油需求量的减少。鉴于未来汽油，尤其是低辛烷值汽油供过于求的情形，新发动机技术的发展，类似于马自达公司（Mazda）最近宣布的创驰蓝天计划（SKYACTIV）中可以使用低辛烷值汽油的新技术（如汽油压燃，gasoline compression ignition, GCI）将会更有吸引力（&a href=&https://link.zhihu.com/?target=http%3A//www.mazda.com/en/innovation/technology/skyactiv/skyactiv-g/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Mazda SKYACTIV Technology&/a&; &a href=&https://link.zhihu.com/?target=http%3A//journals.sagepub.com/doi/abs/10.& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Gasoline compression ignition approach to efficient, clean and affordable future engines&/a&）。&/p&&p&&b&总结&/b&&/p&&p&
英国政府关于所有轻型车使用纯电动汽车的新交通政策的重要经济后果需要一个全面而透明的研究。虽然政府需要投入大量的资金来实施这一新政，最终的结果却几乎可以肯定会对人类健康造成更大的危害，尽管这些危害会被转移到那些开采制造电池所需要的金属的那些国家。如果电动汽车所需的电能来自化石燃料，使用纯电动汽车所造成的温室气体效应也可能会更糟糕。毋庸置疑，交通运输工具的电动化程度未来会有显著地提升，但大部分是以混合动力的形式，即一块小电池，加上联合内燃机一起工作的电机，再结合其它一些如制动能量回收之类的技术，来减少汽车的燃油消耗。同时，未来几十年，新型燃烧技术与更先进的后处理系统及控制系统相结合，将进一步提高内燃机的效率，并降低内燃机的排放。当然，使用低碳燃料（如天然气、氢气等）也能够起到很好的效果。政府应该综合考虑局部及全球环境和温室效应的影响、生产供应安全及成本等因素，采取兼容更多技术路线的措施。不再投资改进内燃机技术的决定是非常短视的，因为未来几十年，内燃机将不可避免地给交通运输业，尤其是商用运输提供绝大部分的动力。&/p&&p&&br&&/p&&p&*******************************************************************************************************&/p&&p&&b&原文链接：&/b&&a href=&https://link.zhihu.com/?target=https%3A//www.linkedin.com/pulse/human-toxicity-potential-other-barriers-unlimited-growth-kalghatgi& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Human Toxicity Potential and Other Barriers to Unlimited Growth of Battery Electric Vehicles&/a&&/p&&p&&b&作者简介：&/b&Gautam Kalghatgi，沙特阿美石油公司（Saudi Aramco）研究员，牛津大学、帝国理工学院客座教授，英国皇家工程院院士，国际汽车工程师协会会士（SAE fellow），英国机械工程师协会会士（I.Mech.E. fellow）。Gautam Kalghatgi教授在燃料、燃烧、内燃机领域非常活跃，发表学术论文100余篇，曾出版专著《Fuel/Engine Interactions》。&/p&&p&&b&译者简介：&/b&张俊，清华大学汽车安全与节能国家重点实验室博士生，主要从事机动车污染物排放控制方面的研究。&/p&&p&本文已取得Gautam Kalghatgi教授的授权，欢迎大家转载扩散。转载请注明原文来自Gautam Kalghatgi教授。谢谢！&/p&
2017年对于内燃机来说是很不平常的一年。这一年，很多国家都相继公布了禁售内燃机汽车的时间表。今年7月，英国和法国宣布，将在2040年停止销售常规汽油和柴油小型载客汽车（car）及货车（van）。此前，荷兰、挪威等国家政府也提出过将在年禁售传统…
&figure&&img src=&https://pic2.zhimg.com/v2-c98d0fcc891bcaee7e76a_b.jpg& data-rawwidth=&984& data-rawheight=&570& class=&origin_image zh-lightbox-thumb& width=&984& data-original=&https://pic2.zhimg.com/v2-c98d0fcc891bcaee7e76a_r.jpg&&&/figure&&p&9月12号，苹果在10年后的one more thing里发布了被剧透的一干二净的IPhone X。全面屏，OLED，无线充电，全新手势交互都和以往的机型拉开了差距。但是最吸引人的无疑是True Depth Camera和Face ID部分，移动设备上的深度相机True Depth Camera和基于它的Face ID确实给人带来了更直觉化的人机交互。也让我们再一次深深感到微软“起了个大早，赶了个晚集”。这里我们会用一系列文章分析True Depth Camera和Face ID背后可能的技术和实现方式。初步计划分为四期：硬件-建模-识别-Animoji重定向。第一期主要分析下硬件部分。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-4ed6376dfaa55815aad810f_b.png& data-rawwidth=&1431& data-rawheight=&575& class=&origin_image zh-lightbox-thumb& width=&1431& data-original=&https://pic4.zhimg.com/v2-4ed6376dfaa55815aad810f_r.jpg&&&/figure&&blockquote&True Depth Camera-来自Apple官网&/blockquote&&p&从官网的示意图可以看出IPhone X的刘海部分包括了700万像素彩色相机（7MP Camera），麦克风（Microphone），扬声器（Speaker），环境光感应器（Ambient sensor），距离感应器（Proximity sensor），泛光感应元件（Flood illuminator），红外镜头（Infrared camera）和点阵投影器（Dot projector）。其中前五个原件都是传统的感光元件。后三个：泛光感应元件（Flood illuminator），红外镜头（Infrared camera）和点阵投影器（Dot projector）则构成了True Depth Camera深度相机的核心。这三个原件都是不可见光原件，可以推测泛光感应元件（Flood illuminator）用作黑暗环境下的暗光源，其它两个原件则是深度成像的核心元件。&br&看到这俩红外原件，大家一定会想起另一个同样原理的深度成像设备：Kinect。第一代Kinect就使用了类似的Light Coding技术。而Light Coding技术背后的传感技术公司PrimeSense在2013被Apple收购，也就是现在True Depth Camera背后的主要技术力量。大家可能记得2016年Apple和PrimeSense还申请了一项“集成结构光投影器（Integrated structured-light projector ）”（&a href=&http://link.zhihu.com/?target=https%3A//www.google.com/patents/US& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&链接在此&/a&），至此，我们基本可以推测，True Depth Camera背后的技术就是PrimeSense开发的点阵结构光深度成像技术的改进版。其实Windows Hello所使用的Intel RealSense 3D camera也是使用的类似的技术。那下面我们就仔细讲讲什么是点阵结构光深度成像。&/p&&h2&点阵结构光深度成像&/h2&&p&2010年，微软为Xbox 360发布了一款深度摄像头Kinect，当时也掀起了一股基于深度相机的体感游戏热潮，虽然现在这股热潮渐渐退去，不过kinect确实将以往成本高高在上的深度摄像机带进了民用领域。Kinect一共出过两代产品，第一代基于类似点阵光深度成像的Light Coding技术，第二代则是基于飞行时间Time-Of-Flight（TOF）技术。今天我们就以kinect 1代为例大致讲解一下点阵结构光深度成像技术。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-01a41dc3bca1_b.png& data-rawwidth=&575& data-rawheight=&295& class=&origin_image zh-lightbox-thumb& width=&575& data-original=&https://pic2.zhimg.com/v2-01a41dc3bca1_r.jpg&&&/figure&&blockquote&Kinect-来自MSDN&/blockquote&&p&上图是kinect的结构示意图，大部分基于点阵/网格结构光的深度相机都是类似的结构，其中最重要的两个原件就是IR Emitter，也就是红外光发射器，对应 True Depth Camera的点阵光投影器，和红外深度感应器IR Depth Sensor，对应IPhone X上的红外相机。&br&其中红外光发射器会发射一组有特定模式的投影光，像kinect的是这样：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-1adc41df280fdc1b58a20b_b.jpg& data-rawwidth=&2251& data-rawheight=&1446& class=&origin_image zh-lightbox-thumb& width=&2251& data-original=&https://pic4.zhimg.com/v2-1adc41df280fdc1b58a20b_r.jpg&&&/figure&&blockquote&Kinect Pattern-来自&a href=&http://link.zhihu.com/?target=http%3A//www.futurepicture.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&futurepicture.org&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&p&Intel RealSense 3D(支持Windows Hello)，是这样：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-9c523cca27bd5f46ddfbc291c981794c_b.jpg& data-rawwidth=&320& data-rawheight=&240& class=&content_image& width=&320&&&/figure&&blockquote&RealSense Pattern-来自Intel Developer Zone&/blockquote&&p&按苹果官网上的示意图的话，IPhone X的投影是这样的：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-0c22c59df9e2e1e4a12a94e_b.png& data-rawwidth=&1329& data-rawheight=&851& class=&origin_image zh-lightbox-thumb& width=&1329& data-original=&https://pic2.zhimg.com/v2-0c22c59df9e2e1e4a12a94e_r.jpg&&&/figure&&blockquote&IPhone X pattern-来自Apple官网&/blockquote&&p&而传统的结构光是条纹状的投影，像这样：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-d863babe34df_b.jpg& data-rawwidth=&1396& data-rawheight=&944& class=&origin_image zh-lightbox-thumb& width=&1396& data-original=&https://pic4.zhimg.com/v2-d863babe34df_r.jpg&&&/figure&&blockquote&Structured Light-来自Automatic Modelling & Video Mapping&/blockquote&&p&那为什么从红外相机里拍出的这些奇怪的图案就可以得到深度了呢？这就要来说说结构光成像了。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-0b80b831a1f14aad555e6_b.jpg& data-rawwidth=&600& data-rawheight=&385& data-thumbnail=&https://pic3.zhimg.com/v2-0b80b831a1f14aad555e6_b.jpg& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-0b80b831a1f14aad555e6_r.jpg&&&/figure&&blockquote&Kinect Pattern-来自&a href=&http://link.zhihu.com/?target=http%3A//www.futurepicture.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&futurepicture.org&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&p&先来看看这幅图，当我们摆一本书在红外投影的点阵中，可以明显感觉到中间凸出来一部分，本质上来说，之所以会看到投影点阵的变化，是因为投影点和拍摄点的位置差。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-b5ed8cb87c6cfd78a456ef2f130bce2a_b.png& data-rawwidth=&825& data-rawheight=&346& class=&origin_image zh-lightbox-thumb& width=&825& data-original=&https://pic3.zhimg.com/v2-b5ed8cb87c6cfd78a456ef2f130bce2a_r.jpg&&&/figure&&blockquote&stereo vision-来自Illinois^cs498dh&/blockquote&&p&设想左边就是我们投影光源O的投影平面，右边这个就是摄像机O’的成像平面，他们之间有一定距离，我们可以看到一个点在投影平面上的位置为p的话，它投影到物体上的位置一定在线段Op上，根据物体的深度不同，投影点可能是P，P1，P2。然而，不同深度的P，P1，P2就会在成像平面上位于不同的位置。所以，只要我们能够检测出来投影平面上的P在成像平面的位置，就可以用简单的三角函数算出来投影光在物体上投影点的位置，也就是说物体表面有一个点在该空间位置。所以，我们需要的就是一幅投影光平面图，并在成像平面寻找投影平面上点的对应点就行啦。&br&可是，&/p&&figure&&img src=&https://pic1.zhimg.com/v2-cfb23d41c4ba_b.png& data-rawwidth=&422& data-rawheight=&330& class=&origin_image zh-lightbox-thumb& width=&422& data-original=&https://pic1.zhimg.com/v2-cfb23d41c4ba_r.jpg&&&/figure&&blockquote&Kinect pattern-来自&a href=&http://link.zhihu.com/?target=http%3A//azttm.wordpress.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&azttm.wordpress.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&p&这么密密麻麻的点都长一样咋找对应点？研究者们想了很多办法，比如：&br&每隔一段时间投影不同的地方，每个时刻就一条线，不就好找了吗～，像这样：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-140cae7cbcb8c3e777ac12_b.png& data-rawwidth=&768& data-rawheight=&480& class=&origin_image zh-lightbox-thumb& width=&768& data-original=&https://pic3.zhimg.com/v2-140cae7cbcb8c3e777ac12_r.jpg&&&/figure&&blockquote&structured light-来自Illinois^cs498dh&/blockquote&&p&和改进版二元编码&/p&&figure&&img src=&https://pic1.zhimg.com/v2-bbd20e42e180b23af2aea44_b.png& data-rawwidth=&1529& data-rawheight=&1187& class=&origin_image zh-lightbox-thumb& width=&1529& data-original=&https://pic1.zhimg.com/v2-bbd20e42e180b23af2aea44_r.jpg&&&/figure&&blockquote&binary coding-来自Illinois^cs498dh&/blockquote&&p&和色彩编码：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-4c7c1dcc2dc9e9a69547f_b.png& data-rawwidth=&537& data-rawheight=&660& class=&origin_image zh-lightbox-thumb& width=&537& data-original=&https://pic4.zhimg.com/v2-4c7c1dcc2dc9e9a69547f_r.jpg&&&/figure&&blockquote&color coding-来自Illinois^cs498dh&/blockquote&&p&等等。然而这些编码方式要么需要多帧的投影和拍摄，要么需要彩色投影，有没有单帧单色的技术，就像Kinect和True Depth Camera那样的呢？这当然难不倒研究者们。答案就是空间编码，&/p&&figure&&img src=&https://pic3.zhimg.com/v2-906d680aa8cebdb258f0ba_b.png& data-rawwidth=&591& data-rawheight=&456& class=&origin_image zh-lightbox-thumb& width=&591& data-original=&https://pic3.zhimg.com/v2-906d680aa8cebdb258f0ba_r.jpg&&&/figure&&blockquote&Spatial pattern-来自Illinois^cs498dh&/blockquote&&p&只要把这样一种pattern投影到物体上，拍一张就可以了。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-eea21505cedec72691eb83_b.png& data-rawwidth=&984& data-rawheight=&651& class=&origin_image zh-lightbox-thumb& width=&984& data-original=&https://pic4.zhimg.com/v2-eea21505cedec72691eb83_r.jpg&&&/figure&&blockquote&Spatial pattern-来自Illinois^cs498dh&/blockquote&&p&秘密就在于这种pattern的每一列都是不一样的图案，可以通过匹配这种特异性的图案达到识别每一列的对应位置的目的。&br&而Kinect和True Depth Camera都是将这种线型的空间编码扩展到更加复杂的点阵空间编码，即一块区域有一个独立的排布方式，来实现单色单帧图像的编码。此外，还可以结合点阵在物体上的投影的形状和大小进行更快的匹配，更近的物体投影点会更大，而斜的物体投影点就会拉长。据说Kinect的实现方法就是事先拍摄各个深度的投影点，再将采集到的投影图的每个区域与各个深度的参照图像进行比对进行快速的深度计算，就可以得到一幅深度图。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-bfb16ce3ff1_b.jpg& data-rawwidth=&400& data-rawheight=&332& class=&content_image& width=&400&&&/figure&&blockquote&Kinect-来自Depth Sensing for 3DTV: A Survey&/blockquote&&p&有了这些技术，只要能将高分辨率红外投影器和红外摄像机塞到手机里，那么手机端的深度图像获取也就不是难事，而这一步也是Apple和PrimeSense下最大精力的地方。&/p&&h2&深度图怎么玩&/h2&&p&深度图不就多了一维深度信息吗？能干啥嘞？在研发出Kinect之后，微软其实还搞了好多黑科技。&br&比如骨架跟踪，通过Kinect得到人的骨架信息后，就可以通过人机交互，操作体感游戏。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-ebf33d19eab9c265d36671_b.jpg& data-rawwidth=&819& data-rawheight=&277& class=&origin_image zh-lightbox-thumb& width=&819& data-original=&https://pic2.zhimg.com/v2-ebf33d19eab9c265d36671_r.jpg&&&/figure&&blockquote&Kinect Pose recognition-来自微软研究院&/blockquote&&p&业内大名鼎鼎的Kinect Fusion，手持Kinect，就能对对身边的场景进行三维建模，&/p&&figure&&img src=&https://pic2.zhimg.com/v2-30502ffbb977a478fbfb39_b.png& data-rawwidth=&600& data-rawheight=&150& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic2.zhimg.com/v2-30502ffbb977a478fbfb39_r.jpg&&&/figure&&blockquote&Kinect Fusion-来自Kinect Fusion paper&/blockquote&&p&针对运动物体的Fusion 4D：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-cf3fab9f98cd1e03badab91d23be6f8d_b.png& data-rawwidth=&855& data-rawheight=&331& class=&origin_image zh-lightbox-thumb& width=&855& data-original=&https://pic2.zhimg.com/v2-cf3fab9f98cd1e03badab91d23be6f8d_r.jpg&&&/figure&&blockquote&Fusion 4D-来自Fusion 4D paper&/blockquote&&p&用Kinect Fusion来做AR远程通话和远程传送的Holoportaion：&/p&&figure&&img src=&https://pic2.zhimg.com/v2-ec7abdcee4faed5c7739_b.png& data-rawwidth=&1920& data-rawheight=&272& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&https://pic2.zhimg.com/v2-ec7abdcee4faed5c7739_r.jpg&&&/figure&&blockquote&Holoportation-来自微软研究院&/blockquote&&p&用红外滤镜结合机器学习算法制作手机端深度传感器并用来进行人脸捕捉和手势交互的的Learning to Be a Depth Camera for Close-Range Human Capture and Interaction&/p&&figure&&img src=&https://pic4.zhimg.com/v2-8c66de5fba703ecef263c5b_b.jpg& data-rawwidth=&704& data-rawheight=&333& class=&origin_image zh-lightbox-thumb& width=&704& data-original=&https://pic4.zhimg.com/v2-8c66de5fba703ecef263c5b_r.jpg&&&/figure&&blockquote&Learning to Be a Depth Camera for Close-Range Human Capture and Interaction-来自微软研究院&/blockquote&&p&有了深度图和一些模型的初始模板，就能做深度图到三维参数化模型的快速配准，像是Apple收购的FaceShift的创始人Sofien Bouaziz的工作Dynamic 2D/3D Registration，就极有可能是Apple人脸建模背后的核心技术。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-dafcd80a2c6a948cd1802d_b.png& data-rawwidth=&694& data-rawheight=&282& class=&origin_image zh-lightbox-thumb& width=&694& data-original=&https://pic2.zhimg.com/v2-dafcd80a2c6a948cd1802d_r.jpg&&&/figure&&blockquote&Dynamic 2D/3D registration-来自&a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&figure&&img src=&https://pic3.zhimg.com/v2-930b24f288adb59beab5e6d825b047c5_b.jpg& data-rawwidth=&308& data-rawheight=&191& data-thumbnail=&https://pic2.zhimg.com/v2-930b24f288adb59beab5e6d825b047c5_b.jpg& class=&content_image& width=&308&&&/figure&&blockquote&Face registration-来自苹果官网&/blockquote&&p&有了深度图，也就能更快地实现人脸实时采集和跟踪，同样是来自Sofien Bouaziz的Realtime Performance-Based Facial Animation和Semi-Supervised Facial Animation Retargeting也极有可能是Apple的Animoji背后的技术基础。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-72afcdb6e7ba_b.png& data-rawwidth=&694& data-rawheight=&282& class=&origin_image zh-lightbox-thumb& width=&694& data-original=&https://pic2.zhimg.com/v2-72afcdb6e7ba_r.jpg&&&/figure&&blockquote&Realtime Performance-Based Facial Animation-来自&a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&figure&&img src=&https://pic4.zhimg.com/v2-a3deaadb31c526f_b.png& data-rawwidth=&694& data-rawheight=&282& class=&origin_image zh-lightbox-thumb& width=&694& data-original=&https://pic4.zhimg.com/v2-a3deaadb31c526f_r.jpg&&&/figure&&blockquote&Semi-Supervised Facial Animation Retargeting-来自&a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&figure&&img src=&https://pic1.zhimg.com/v2-5f02eef361c2_b.jpg& data-rawwidth=&596& data-rawheight=&332& data-thumbnail=&https://pic3.zhimg.com/v2-5f02eef361c2_b.jpg& class=&origin_image zh-lightbox-thumb& width=&596& data-original=&https://pic3.zhimg.com/v2-5f02eef361c2_r.jpg&&&/figure&&blockquote&Animoji-来自Apple&/blockquote&&p&再结合一些Gaze tracing的工作，就可以做到眼神解锁了&/p&&figure&&img src=&https://pic3.zhimg.com/v2-60e9cd0c5df91d4fb494ce_b.png& data-rawwidth=&958& data-rawheight=&321& class=&origin_image zh-lightbox-thumb& width=&958& data-original=&https://pic3.zhimg.com/v2-60e9cd0c5df91d4fb494ce_r.jpg&&&/figure&&blockquote&Realtime 3D Eye Gaze Animation Using a Single RGB Camera-来自&a href=&http://link.zhihu.com/?target=http%3A//humanmotion.ict.ac.cn& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&humanmotion.ict.ac.cn&/span&&span class=&invisible&&&/span&&/a&&/blockquote&&h2&&b&起于微软，止于苹果&/b&&/h2&&p&看了这么多，想必大家也有一个感受，论黑科技研发，那当属微软研究院，可是论用黑科技赚钱，还是得看苹果。还是那句话，微软又“起了个大早，干了个晚集”。无数的新技术，都是始于科学研究和论文，但也万万不能忽视真正将他们带入日常生活的成果转化过程，无数理想化的假设，计算，都是靠着工程师们不断地优化，挖掘整个系统的极限，最后才能来到我们眼前和手中。另一方面，相比现在如火如荼的机器学习人工智能，图形学也终于蹭了一回热点。&/p&&p&今天，我们主要介绍了True Depth Camera硬件背后的原理和大致实现方式。如有疏忽请大家不吝指正，我们也会及时更新。之后的几期我们会专门针对Face ID的人脸建模，识别和Animoji的人脸重定向做更深入的分析，敬请期待。&/p&&h2&Reference&/h2&&p&[1] &a href=&http://link.zhihu.com/?target=https%3A//www.apple.com/iphone-x/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&apple.com/iphone-x/&/span&&span class=&invisible&&&/span&&/a&&/p&&p&[2] &a href=&http://link.zhihu.com/?target=https%3A//www.leiphone.com/news/LVS7IOTysitw2R.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&leiphone.com/news/20170&/span&&span class=&invisible&&9/R3LVS7IOTysitw2R.html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[3] &a href=&http://link.zhihu.com/?target=https%3A//www.fool.com/investing//apples-iphone-x-event-what-you-need-to-know.aspx& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&fool.com/investing/2017&/span&&span class=&invisible&&/09/12/apples-iphone-x-event-what-you-need-to-know.aspx&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[4] &a href=&http://link.zhihu.com/?target=https%3A//www.google.com/patents/US& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&google.com/patents/US20&/span&&span class=&invisible&&&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[5] &a href=&http://link.zhihu.com/?target=http%3A//www.chipworks.com/about-chipworks/overview/blog/inside-the-intel-realsense-gesture-camera& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&chipworks.com/about-chi&/span&&span class=&invisible&&pworks/overview/blog/inside-the-intel-realsense-gesture-camera&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[6] &a href=&http://link.zhihu.com/?target=http%3A//www.sci.utah.edu/%7Egerig/CS/Materials/CS6320-CV-S2012-StructuredLight.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&sci.utah.edu/~gerig/CS6&/span&&span class=&invisible&&320-S2012/Materials/CS6320-CV-S2012-StructuredLight.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[7] &a href=&http://link.zhihu.com/?target=http%3A//www.sci.utah.edu/%7Egerig/CS/Materials/CS6320-CV-S2012-StructuredLight-II.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&sci.utah.edu/~gerig/CS6&/span&&span class=&invisible&&320-S2013/Materials/CS6320-CV-S2012-StructuredLight-II.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[8] &a href=&http://link.zhihu.com/?target=http%3A//users.dickinson.edu/%7Ejmac/selected-talks/kinect.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&users.dickinson.edu/~jm&/span&&span class=&invisible&&ac/selected-talks/kinect.pdf&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[9] &a href=&http://link.zhihu.com/?target=http%3A//www.futurepicture.org/%3Fp%3D116& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&futurepicture.org/?&/span&&span class=&invisible&&p=116&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[10] &a href=&http://link.zhihu.com/?target=https%3A//www.computer.org/csdl/mags/mu/2013/04/mmu-abs.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&computer.org/csdl/mags/&/span&&span class=&invisible&&mu/2013/04/mmu-abs.html&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[11] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/publication/real-time-human-pose-recognition-in-parts-from-a-single-depth-image/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/publication/real-time-human-pose-recognition-in-parts-from-a-single-depth-image/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[12] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/project/kinectfusion-project-page/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/project/kinectfusion-project-page/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[13] &a href=&http://link.zhihu.com/?target=http%3A//www.cs.unc.edu/%7Edoums/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&cs.unc.edu/~doums/&/span&&span class=&invisible&&&/span&&/a&&/p&&p&[14] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/project/holoportation-3/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/project/holoportation-3/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[15] &a href=&http://link.zhihu.com/?target=https%3A//www.microsoft.com/en-us/research/publication/learning-to-be-a-depth-camera-for-close-range-human-capture-and-interaction/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&µsoft.com/en-us/res&/span&&span class=&invisible&&earch/publication/learning-to-be-a-depth-camera-for-close-range-human-capture-and-interaction/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[16] &a href=&http://link.zhihu.com/?target=http%3A//sofienbouaziz.com/publications.php& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sofienbouaziz.com/publi&/span&&span class=&invisible&&cations.php&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&[17] &a href=&http://link.zhihu.com/?target=http%3A//humanmotion.ict.ac.cn/papers/2016P1_EyeGaze/details.htm& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&humanmotion.ict.ac.cn/p&/span&&span class=&invisible&&apers/2016P1_EyeGaze/details.htm&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&&br&&/p&&p&&b&果壳中的宇宙系列文章：&/b&&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&果壳中的宇宙-IPHONE X的FACE ID和TRUE DEPTH CAMERA分析-硬件篇&/a&&/p&&p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&果壳中的宇宙-IPhone X的Face ID和True Depth Camera分析-Animoji篇&/a&&/p&&p&_(:3」∠)_ _(?ω?”∠)_ _(:з)∠)_ ∠( ? 」∠)＿ _(:зゝ∠)_&br&请毫不犹豫地关注我们：&br&我们的网站：&a href=&http://link.zhihu.com/?target=https%3A//graphicon.io/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GraphiCon&/a&&br&知乎专栏：&a href=&https://zhuanlan.zhihu.com/graphicon& class=&internal&&GraphiCon图形控&/a&&br&微信公众号：GraphiCon&/p&&figure&&img src=&https://pic1.zhimg.com/v2-3850f35adecd7c208c615c0_b.png& data-rawwidth=&430& data-rawheight=&430& class=&origin_image zh-lightbox-thumb& width=&430& data-original=&https://pic1.zhimg.com/v2-3850f35adecd7c208c615c0_r.jpg&&&/figure&&p&如果你有什么想法，建议，或者想加入我们，你可以：&br&给我们发邮件：&a href=&mailto:hi@graphicon.io&&hi@graphicon.io&/a&&br&加入我们的QQ群：SIQGRAPH（）&br&加入我们的slack群：&a href=&http://link.zhihu.com/?target=https%3A//graphicon.herokuapp.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GraphiCon&/a&&br&GraphiCon长期接受投稿，如果你想投稿给我们可以通过上面的方式联系我们！&/p&&figure&&img src=&https://pic3.zhimg.com/v2-885fb112fbdbe_b.png& data-rawwidth=&88& data-rawheight=&31& class=&content_image& width=&88&&&/figure&&p&本作品采用&a href=&http://link.zhihu.com/?target=http%3A//creativecommons.org/licenses/by-nc-nd/4.0/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议&/a&进行许可。&/p&&p&如需转载请署名。&/p&&p&&/p&
9月12号，苹果在10年后的one more thing里发布了被剧透的一干二净的IPhone X。全面屏，OLED，无线充电，全新手势交互都和以往的机型拉开了差距。但是最吸引人的无疑是True Depth Camera和Face ID部分，移动设备上的深度相机True Depth Camera和基于它的Face…
作为一个电路设计师，我整个职业生涯都花在接口电路上，串行并行都做过，且速度不慢（DDR3-1600Mbps, SerDes 30Gbps），这个问题不答实在技痒难耐。已经看到的答案中，大家基本上都命中了关键的知识点，但是没有把背后的逻辑说清楚，也没有人从电学特性和经济的角度分析这个问题。大言不惭，欢迎大家拍砖讨论。&br&----------2月3日补充--------&br&名词解释:&br&Mbps, Gbps: 一百万比特每秒，十亿比特每秒&br&skew：时间偏差，A比B快/慢一秒，就叫skew一秒&br&PCB：印刷电路板，也就是大多数电路板&br&IO： 输入输出电路&br&cable： 线缆&br&SerDes：串行转并行，并行转串行&br&&br&还有人说贯口最快的，我们来算一算。&b&业界目前大量应用的28Gbps SerDes，传一个比特只要35.7皮秒，这点时间光在真空中可以走上一厘米，连角膜到视网膜都不够。&/b&哪个快？&br&&br&----------正式答案的分割线--------&br&先说我的答案，&b&串行接口为啥比并&/b&&b&行接&/b&&b&口快？是因为串口的特性和应用场景，决定了它更加适合采用一些提高单根信道速率的设计方法，这些方法用在并口上并不合适。&/b&&br&&br&讨论这个问题，首先要搞清楚定义，什么叫并行接口（parallel link）？ 什么叫串行接口（serial link）？这就可以吵一天。&br&&blockquote&并口代表DDR说：“我是并口的纯正血统杰出代表，每8bit要附带一对DQS线作为时钟，每个bit都要同步到这对DQS上去，skew超标就不能工作，64位DDR3-1600总带宽可以到100Gbps，哪个串口做得到”？鄙人冷笑，说：“别以为我不知道你的底细，别看你IO是1.6G，内存控制器给你的一般都是4位并行的400M，你要先悄悄做一下并行转串行，再输出。何况你传64bit数据需要80根全速率的DQ/DQS线，还要20多根半速率命令地址线，平均下来一根线1G还不到”。&br&&br&XAUI举手问：“我算串口么？XAUI一定是8组16根差分线，4组读4组写，缺任何一组都不符合协议，看着很并行啊？” 32位的PCI-E也一脸关心的等着答案。&/blockquote&&b&我们先这么定义&/b&：在&u&一个独立的信道上&/u&，&u&每次同时传输1bit为串口，每次同时传输多个bit为并口&/u&。标准的串口如XAUI，HDMI等，每对差分线组成一个信道（channel）,每个信道是否能成功传输并不取决于其他信道。而DDR这种，10根线组成一个信道，每次同时传8bit，错了某一bit只能重新传，便是标准并口，芯片内部的并转串和IO并不相关，不影响定性。按照这个定义，大家看看各种接口协议怎么划分呢？我觉得已经很清楚了，以单个channel的传输速率衡量，串口一般来说更快。下一个问题就是，为什么呢？&br&&br&&b&这是一个电学问题，但首先是一个经济问题。&/b&&br&对任何一种协议，提高总带宽不过是两种办法，首先要提高单根线的传输速率，其次只能增加电线的数目。增加线的数目实在费钱，首先现在的芯片往往IO都很紧张，增加了IO PAD还要搭上额外的ESD和面积；封装和PCB上增加额外的线更复杂更贵这就不用说了，对于某些用cable的协议基本就是不可接受的。你是愿意插16根网线还是一根？接电视机的时候喜欢一根线的HDMI，还是五根线的RGB+音频？还有 &a data-hash=&aeafc3e8db22& href=&//www.zhihu.com/people/aeafc3e8db22& class=&member_mention& data-editable=&true& data-title=&@Arthur Wang& data-hovercard=&p$b$aeafc3e8db22&&@Arthur Wang&/a& 提到的150米长线。。。。。。何况并口还要对这些线进行长度匹配，想想头就大了。&br&&br&历史上，工程师们确实是先做了串口，速度不够没办法只好含泪加电线上并口，直到他们发现了三大法宝来提速，并口的动力就不那么强劲了，正如 &a data-hash=&26827ea43acd624ce07f23df81df8aa6& href=&//www.zhihu.com/people/26827ea43acd624ce07f23df81df8aa6& class=&member_mention& data-editable=&true& data-title=&@auxten& data-hovercard=&p$b$26827ea43acd624ce07f23df81df8aa6&&@auxten&/a& 所言。但是在芯片内部，增加总线宽度的代价并不高，因此CPU里面有个1024位的数据总线也不奇怪。&br&&br&为了提高单根线的传输速率，必须要讲到我们模拟电路工程师的三大法宝，&b&差分信号（differential signaling），时钟-数据恢复（Clock-Data Recovery，简称CDR），和信道均一化（Channel Equalization，Eq）。&/b&&br&&br&&b&差分信号&/b&的好处 &a data-hash=&331df519ec47c997dc6f54& href=&//www.zhihu.com/people/331df519ec47c997dc6f54& class=&member_mention& data-editable=&true& data-title=&@龚黎明& data-hovercard=&p$b$331df519ec47c997dc6f54&&@龚黎明&/a&&a data-hash=&6ea2a2feb5da3b611ccdda8d4888333e& href=&//www.zhihu.com/people/6ea2a2feb5da3b611ccdda8d4888333e& class=&member_mention& data-editable=&true& data-title=&@andrew song& data-hovercard=&p$b$6ea2a2feb5da3b611ccdda8d4888333e&&@andrew song&/a& 已经提过了，不外乎抗干扰能力强，引入的噪声也比较小，虽然必须要两根线，但速度从几百M提高到几G，还是很值得的。&br&&br&CDR的好处 &a data-hash=&331df519ec47c997dc6f54& href=&//www.zhihu.com/people/331df519ec47c997dc6f54& class=&member_mention& data-editable=&true& data-title=&@龚黎明& data-hovercard=&p$b$331df519ec47c997dc6f54&&@龚黎明&/a& 也说过了，消灭了skew，减少了时钟的功耗和噪声（但多出了CDR电路本身的功耗和噪声），同时避免了电磁干扰。想想在PCB或者电线上传一个15G的时钟，太带感了，幸亏我们不用做这种事。&br&&br&&b&信道均一化 &/b&相当值得一提，这才是SerDes高速发展的决定性因素，所以我决定花点文字讲一下。&br&一般来说，真实世界中的信道都是低通特性的，到处都是小电容，所谓绝缘体中的分子在高频情况下吸收电场能量，再加上金属线中的趋肤效应，所以我们想要的高频信号走不了多远就不像样子了，比如下面某信道的频率特性（绿线）。&br&&figure&&img src=&https://pic4.zhimg.com/4eb57a7d5fcaee7d7ba03eb_b.jpg& data-rawwidth=&585& data-rawheight=&401& class=&origin_image zh-lightbox-thumb& width=&585& data-original=&https://pic4.zhimg.com/4eb57a7d5fcaee7d7ba03eb_r.jpg&&&/figure&&br&如图所示，在对应28Gbps的频点上，信号能量被衰减了30db，电压幅度只剩3%了；在对应56Gbps的频点上更惨，65db意味着信号电压摆幅剩下不到千分之一。在这种信道中，发送端一个完美漂亮的数据眼图：&figure&&img src=&https://pic2.zhimg.com/b494eae9d90f56b55aacaf1b_b.jpg& data-rawwidth=&447& data-rawheight=&325& class=&origin_image zh-lightbox-thumb& width=&447& data-original=&https://pic2.zhimg.com/b494eae9d90f56b55aacaf1b_r.jpg&&&/figure&&br&到了接收端会变成这样的一堆垃圾：&br&&figure&&img src=&https://pic3.zhimg.com/91bcd5c5a05b8908f57a_b.jpg& data-rawwidth=&429& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&429& data-original=&https://pic3.zhimg.com/91bcd5c5a05b8908f57a_r.jpg&&&/figure&什么都辨认不出来对吧。但是，经过我们聪明的工程师们一番努力，均一化开关打开，信号就变成了这样：&br&&figure&&img src=&https://pic2.zhimg.com/4cd12da3cb50b0dffa4e401_b.jpg& data-rawwidth=&426& data-rawheight=&304& class=&origin_image zh-lightbox-thumb& width=&426& data-original=&https://pic2.zhimg.com/4cd12da3cb50b0dffa4e401_r.jpg&&&/figure&&br&神奇么？我觉得挺神奇的，我认识的电子工程师们第一次看到这个，没人觉得不神奇。&br&&br&&br&&b&下面一个重要的问题，既然有了三大法宝，他们只能用在串口上吗?&/b&&br&&b&答案很显然，不是，串口可以用的，我们并口一样可以用。那为什么并口不用呢？&/b&&br&&br&&b&差分信号&/b&这条不用说了，并口的电线本来已经够多了，数目还要再翻一倍？系统工程师会杀人的。&br&&b&CDR &/b&意义也不大，反正你并口速度也不高，一堆数据线中顺便传下时钟，比做接收端做CDR再采样每一位数据省事多了。&br&&b&信道均一化&/b&属于屠龙之技，不用差分信号的话也就传几百M，本来就没啥衰减，用这个干啥？还是考虑下各种噪声串扰的问题吧。&br&&br&于是答案就呼之欲出了。&b&串口为啥比并口快？是因为串口的特性和应用场景，决定了它更加适合采用一些可以提高单根信道速率的设计方法，这些方法用在并口上并不合适。&/b&&br&&br&从现有的应用看来，需要持续稳定高带宽的应用，往往使用高速串行接口，一根带宽不够再加一根，各种视频网络应用，基本如此。而一些历史遗留速度不高的应用，还有一些需要突发性高带宽的应用，并口仍然存活，比如很特殊的DDR。虽然XDR/GDDR/HMC/HCM这些新标准都在试图引入SerDes， 但DRAM行业的特殊性还是让并口继续存活着。&br&&br&最后一段是我对 &a data-hash=&331df519ec47c997dc6f54& href=&//www.zhihu.com/people/331df519ec47c997dc6f54& class=&member_mention& data-editable=&true& data-title=&@龚黎明& data-hovercard=&p$b$331df519ec47c997dc6f54&&@龚黎明&/a& 答案的批评，欢迎指正。这个答案清楚明晰的指出了几乎所有串口的优势，但是忘了提及一点，这些优势其实是三大法宝带来的，并非串口与生俱来。就像小强开车小明走路，小强自然快很多，但并非他天生就快，而是因为小明腿短够不到油门。蛤蛤蛤蛤
作为一个电路设计师，我整个职业生涯都花在接口电路上，串行并行都做过，且速度不慢（DDR3-1600Mbps, SerDes 30Gbps），这个问题不答实在技痒难耐。已经看到的答案中，大家基本上都命中了关键的知识点，但是没有把背后的逻辑说清楚，也没有人从电学特性和经…
&figure&&img src=&https://pic2.zhimg.com/v2-a9f095d18d8cae0dd9865279bdca7adc_b.jpg& data-rawwidth=&480& data-rawheight=&290& class=&origin_image zh-lightbox-thumb& width=&480& data-original=&https://pic2.zhimg.com/v2-a9f095d18d8cae0dd9865279bdca7adc_r.jpg&&&/figure&&p&基于神经网络的人工智能近年取得了突破性进展，正在深刻改变人类的生产和生活方式，是世界各国争相发展的战略制高点。&/p&&p&神经网络作为实现人工智能任务的有效算法之一，已经在各种应用场景获得广泛的应用。从云端到移动端，不同应用场景也对神经网络的计算能力提出了不同的需求。&/p&&p&神经网络的广泛应用离不开核心计算芯片。目前的主流通用计算平台包括CPU和GPU，存在着能效较低的问题（能效即能量效率，是性能与功耗的比值）。为了获得更高的能效，我们需要设计一种专用的神经网络计算芯片来满足要求。国际IT巨头，如英特尔、谷歌、IBM，都在竞相研发神经网络计算芯片。&/p&&p&然而，神经网络的结构多样、数据量大、计算量大的特点，给硬件设计带来了巨大挑战。因此，在设计面向神经网络的高性能、高能效硬件架构时，我们需要思考清楚以下三个问题：&/p&&ul&&li&&p&好的计算模式应该是怎样的？&/p&&/li&&li&&p&为了支持这样的计算模式，架构应该怎样设计？&/p&&/li&&li&&p&已经实现的硬件架构，针对具体算法和应用需求，如何配置成最优的计算模式？&/p&&/li&&/ul&&p&雷锋网本期公开课特邀请到清华大学微纳电子系四年级博士生涂锋斌，为我们分享神经网络硬件架构的设计经验。他将通过介绍其设计的可重构神经网络计算架构 DNA （Deep Neural Architecture），与大家分享在设计神经网络硬件架构时需要思考的问题。他在完成设计的同时，解决了这些问题，并对现有的硬件优化技术做出了总结。&/p&&p&本文根据雷锋网硬创公开课演讲原文整理，并邀请了涂锋斌进行确认，在此感谢。由于全文篇幅过长，分（上）（下）两部分，敬请期待。&figure&&img src=&https://pic1.zhimg.com/v2-6471f7eacecc19b3bd86b8_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-6471f7eacecc19b3bd86b8_r.jpg&&&/figure&&/p&&p&公开课视频：&a class=&video-box& href=&http://link.zhihu.com/?target=https%3A//v.qq.com/x/page/r0504zxvl3j.html& target=&_blank& data-video-id=&& data-video-playable=&& data-name=&设计神经网络硬件架构时，我们在思考些什么_腾讯视频& data-poster=&https://puui.qpic.cn/qqvideo_ori/0/r0504zxvl3j_228_128/0& data-lens-id=&&&
&img class=&thumbnail& src=&https://puui.qpic.cn/qqvideo_ori/0/r0504zxvl3j_228_128/0&&&span class=&content&&
&span class=&title&&设计神经网络硬件架构时，我们在思考些什么_腾讯视频&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&https://v.qq.com/x/page/r0504zxvl3j.html&/span&
&/p&&p&各位观众晚上好，我是来自清华大学的涂锋斌，今天非常荣幸收到雷锋网(公众号：雷锋网) AI 科技评论的邀请，在此给大家做一节硬创公开课，主题是《设计神经网络硬件架构时，我们在思考什么？》&br&&/p&&p&首先做一个自我介绍。我是清华大学微纳电子系的博士生涂锋斌，今年直博四年级，我的导师是魏少军教授和尹首一副教授，博士课题是高能效神经网络加速芯片设计，研究兴趣包括深度学习，计算机体结构及集成电路设计。&figure&&img src=&https://pic4.zhimg.com/v2-48bf4f3e92b064ddce190f_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic4.zhimg.com/v2-48bf4f3e92b064ddce190f_r.jpg&&&/figure&&/p&&p&我作为核心架构设计者，完成了可重构神经计算芯片 Thinker 的设计。该芯片作为清华大学代表性成果，参加了 2016 年全国双创成果展，获得李克强总理的高度赞许。相关研究成果已经发表数篇国际顶级会议和权威期刊论文。&figure&&img src=&https://pic1.zhimg.com/v2-01cfd379d80c6d_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-01cfd379d80c6d_r.jpg&&&/figure&&/p&&p&本次公开课将从以下五个方面展开。&/p&&ul&&li&&p&研究背景&/p&&p&我将介绍神经网络的一些背景知识及特点，它们给硬件设计带来哪些挑战？&/p&&/li&&li&&p&计算模式&/p&&p&从算法和调度的角度分析神经网络需要怎样的计算模式；而基于优化的计算模式，我们需要怎样的架构支持神经网络的计算？&/p&&/li&&li&&p&架构设计&/p&&p&针对计算模式的需求，如何设计高性能、高能效的神经网络计算架构？可重构神经网络计算架构 DNA（Deep Neural Architecture）具有哪些特点？&/p&&/li&&li&&p&实验结果&/p&&p&DNA 的性能与能效表现如何？与顶尖工作相比的情况如何？&/p&&/li&&li&&p&总结思考&/p&&p&针对神经网络硬件架构的设计展开一些思考和讨论。&/p&&/li&&/ul&&p&在经过前面的学术风暴后，我将打开摄像头与大家互动，进入提问环节。&/p&&h2&一、研究背景&figure&&img src=&https://pic1.zhimg.com/v2-c81b7c3ef8cca4b40ecaa_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-c81b7c3ef8cca4b40ecaa_r.jpg&&&/figure&&/h2&&h3&无处不在的神经网络&/h3&&p&随着人工智能时代的到来，图像识别、语音识别、自然语言处理等智能任务在生活中无处不在。而神经网络作为当前实现这类智能任务最有效的算法之一，已经获得广泛的应用。&figure&&img src=&https://pic1.zhimg.com/v2-cdd9df3d0ad74f0f9f465c70e9669417_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-cdd9df3d0ad74f0f9f465c70e9669417_r.jpg&&&/figure&&/p&&p&比方说：&br&&/p&&ul&&li&&p&百度图片搜索；&/p&&/li&&li&&p&微软语音识别；&/p&&/li&&li&&p&谷歌在线翻译；&br&&/p&&/li&&li&&p&……&/p&&/li&&/ul&&p&可以说，神经网络在我们的生活中真是无处不在。&/p&&p&那么什么是神经网络？我们不妨从神经元开始理解。如图所示，这是一个生物上的神经元。它由树突、细胞体、轴突和神经末梢这四个部分构成。&figure&&img src=&https://pic4.zhimg.com/v2-470eb5b79aa3dfa0cceeac_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic4.zhimg.com/v2-470eb5b79aa3dfa0cceeac_r.jpg&&&/figure&&/p&&ul&&li&&p&1. 通过树突接受输入信号；&/p&&/li&&li&&p&2. 在细胞体内进行信号处理；&/p&&/li&&li&&p&3. 通过轴突和神经末梢把输出信号传至其它神经元；&/p&&/li&&li&&p&4. 而大量的神经元就构成了我们的神经系统。&/p&&/li&&/ul&&p&而这就启发了人工神经元模型的诞生。我们可以看到，它的示意图其实与神经元是十分相似的。它仍然由左边的多个输入，经过加权求和与非线性运算得到输出。&/p&&h3&一个简单的神经元能做些什么？&figure&&img src=&https://pic1.zhimg.com/v2-0fdca68c5a3e_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-0fdca68c5a3e_r.jpg&&&/figure&&/h3&&p&举个简单的例子。在空间中有红色和蓝色两类点。用简单的神经元，我们可以在空间中做一套曲面，将这两类点分开。这就是一个非常简单的分类问题。神经网络/神经元非常擅长用于做分类问题。&/p&&p&那么，当我们有很多神经元后，我们可以得到一个神经网络，它又能用来做什么？&figure&&img src=&https://pic1.zhimg.com/v2-bb0a4bb26d0d9d0b67dc17_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-bb0a4bb26d0d9d0b67dc17_r.jpg&&&/figure&&/p&&p&这幅图给出了一个非常简单的典型单层神经网络。其中的每一个圆圈代表一个神经元，它们相互连接，就构成了一个神经网络。一个相对复杂的结构可以做些什么？&/p&&p&如图所示，空间中仍然有红蓝两种颜色的点，我们采用了相对复杂的神经网络，可以在空间中画一条分类的曲面，我们可以看到，问题比刚才的问题难度更大，图中的这条粉色线勾勒出的这条曲面，才能对复杂问题进行分类。&figure&&img src=&https://pic2.zhimg.com/v2-95cb2e13d1bb7f40187f_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-95cb2e13d1bb7f40187f_r.jpg&&&/figure&&/p&&p&在 2012 年，神经网络 AlexNet 在 ImageNet 图像分类竞赛上取得突破，获得了 85% 的准确率，相较于之前最好的识别率提升了 10% 以上。这是一个非常大的突破，在当时引起了非常广泛的关注。而现在，每年举办的 ImageNet 的识别精确度已经超过了 95%，已经超过人类识别图片的能力。这是一个非常惊人的结果。直至今年，每年拔得头筹的团队都是采用神经网络。&figure&&img src=&https://pic2.zhimg.com/v2-da11ac7f07dcc_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-da11ac7f07dcc_r.jpg&&&/figure&&/p&&p&AlexNet 是一个非常典型的、被大家广泛研究的神经网络，因为它的层次很深，共有 8 个层次，人们也称之为深度神经网络，而基于深度神经网络的机器学习算法，我们也给它取了一个非常好听的名字叫「深度学习」。大家经常会在媒体上听到词，其实它的本质依然是神经网络。&/p&&h3&各种应用场景对神经网络的需求&/h3&&p&而正是因为神经网络如此强大的能力，目前广泛地应用于各种应用场景，例如：&figure&&img src=&https://pic4.zhimg.com/v2-d0003e7eae7c55eb9030bde09ce31755_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic4.zhimg.com/v2-d0003e7eae7c55eb9030bde09ce31755_r.jpg&&&/figure&&/p&&ul&&li&&p&云端：公司会架设一些服务器来提供人工智能的服务；&/p&&/li&&li&&p&移动端：无论是智能手机、智能汽车、无人机或是机器人，都会运用神经网络实现图像识别、物体跟踪和语音识别的智能任务。&/p&&/li&&/ul&&p&而不同应用场景对神经网络也提出了不一样的计算需求，比如：&/p&&ul&&li&&p&在数据中心，大家非常关注计算的性能和并行度，对功耗的需求并不大，当然，功耗自然是越低越好；&/p&&/li&&li&&p&而在无人机的应用场景下，大家会关注在满足最基本的识别或智能需求，保证性能的前提下，尽可能地降低功耗。因为在移动端，电池容量非常有限，对低功耗自然有着很强的需求。&/p&&/li&&/ul&&h3&现有通用计算平台的不足&/h3&&p&然而，现有通用计算平台（CPU、GPU）具有一些不足。&figure&&img src=&https://pic1.zhimg.com/v2-b95dc0fd691d11b819ed6_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-b95dc0fd691d11b819ed6_r.jpg&&&/figure&&/p&&p&以 CPU 为例，它的性能差，能效低。&strong&能效是能量效率的简称，是性能与功耗的比值。我们通常用 GOPS/W (千兆操作数每秒每瓦) 的单位来描述能效，它是一个非常好地衡量计算效率的指标。&/strong&&/p&&p&我们这里讨论的能效是考虑了片外存储的系统级能效。后面提及的能效也是指的同一概念。&/p&&p&我们在服务器上做了一个实验，在 CPU 上计算 AlexNet 需要 254.5 ms，相当于处理 4-5 张图片，而功耗需要 80 W，总能效为 0.2 GOPS/W。而同样的情况在 GPU 上计算，总能效为 1.7 GOPS/W，我们希望能效能达到 100 GOPS/W 甚至更高。&/p&&h3&神经网络的三大特点&/h3&&p&但是，神经网络的三大特点给硬件加速带来巨大挑战。&/p&&ul&&li&&p&&strong&挑战一：不同网络的层次不同&figure&&img src=&https://pic1.zhimg.com/v2-0ce498d9aa54f4d82855_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic1.zhimg.com/v2-0ce498d9aa54f4d82855_r.jpg&&&/figure&&/strong&&/p&&/li&&/ul&&p&我们列举了四个非常经典的神经网络，分别是 AlexNet（11 层）、VGG（19 层）、GoogLeNet（22 层）与 ResNet（152 层），我们可以看到，因为识别精度的不同，我们往往会设计更深更复杂的神经网络，会导致网络层次变多，给硬件加速带来很大挑战。&/p&&ul&&li&&h4&挑战二：不同层的类型不同&figure&&img src=&https://pic2.zhimg.com/v2-bbec0c598b7_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-bbec0c598b7_r.jpg&&&/figure&&/h4&&/li&&/ul&&p&同样以 AlexNet 为例子，神经网络由三种主要层类型组成，包括卷积层（CONV）、池化层（POOL）与全连接层（FC）。图中红框部分即为卷积层，而蓝框部分属于池化层，绿框部分为全连接层。每一层的计算都有些许不同。&/p&&ul&&li&&p&&strong&挑战三：不同层的参数多样，数据量、计算量大&figure&&img src=&https://pic3.zhimg.com/v2-40e0cfbe270d338b5bfc8_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic3.zhimg.com/v2-40e0cfbe270d338b5bfc8_r.jpg&&&/figure&&/strong&&/p&&/li&&/ul&&p&以 AlexNet 为例，最左列呈现了所有层的类型和名字，后面的一系列参数表示它的核尺寸、步长、输入输出图尺寸等。因为参数不同，它们的数据量与计算量都不同，且非常大。&/p&&p&在卷积层上，它的计算量非常大；而全连接层中，计算量相比卷积层稍小，但数据量尤其是权重量则非常大。&figure&&img src=&https://pic3.zhimg.com/v2-359ec01abe553fccdab62_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic3.zhimg.com/v2-359ec01abe553fccdab62_r.jpg&&&/figure&&/p&&p&这三大特点仍然使硬件加速的实现带来一些挑战。&/p&&ul&&li&&p&1. 不同网络的层数、参数不同——计算的灵活性比较高&/p&&/li&&li&&p&2. 不同层的类型不同，参数多样——计算复杂度高---降低硬件的性能&/p&&/li&&li&&p&3. 数据量、计算量大——提高功耗&/p&&/li&&/ul&&p&总体而言，我们需要一个灵活高效的硬件架构支持我们的神经网络。&/p&&h3&我们的设计目标和实现&figure&&img src=&https://pic2.zhimg.com/v2-4d9dbdd326e7b849e0a68cf_b.jpg& data-rawwidth=&740& data-rawheight=&417& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&https://pic2.zhimg.com/v2-4d9dbdd326e7b849e0a68cf_r.jpg&&&/figure&&/h3&&p&这样一来，我们的设计目标就确定了，即设计一个面向神经网络的高能效计算架构，它需要具备以下三个特点：&/p&&u}
我要回帖
更多关于 硬件性能测试工具 的文章
更多推荐
- ·胡彦斌的女朋友为什么在台湾
- ·第16第30届台湾金曲奖奖入围暨获奖名单
- ·二号首长正版电子书的图书目录
- ·性爱巴士基本信息
- ·老哥们求一部台湾搞笑训练兵的电影电影
- ·谁能贴一下目前移动最高楼服饰的图
- ·大家都有哪些好的B2B 网站 推荐一下吗
- ·百度贴吧是不是真的我怀疑我的手机在偷听我讲话话
- ·s3小寻手表Y1和S3哪个更好适配小米note3手机吗？还有为什么我的小寻手表Y1和S3哪个更好不能直接下载APP？
- ·学校哪里有办电信卡的
- ·小米mix2能刷第三方rom吗
- ·怎么样使安装好的软件 变成安装包
- ·WEKA的软件构架那么渣，为什么是软件框架可以火
- ·家用普通电脑能挖比特币吗
- ·小米ai音箱怎么样能加入声音识别吗
- ·有在亚马逊顺电买苹果手机靠谱吗过手机的吗
- ·儋州市湖畔雅苑好不好渔家怎么样，好不好的默认点评
- ·有没有刷机包可以刷回7.1ipad刷会低版本教程
- ·想问下有没有人和我一样无聊的时候喜欢撕东西去微信捞漂流瓶
- ·给大家普及下山寨手机哪里买，揭秘买一个多少钱
- ·公开课《性能测试之硬件软件接口公开课资源知多少
- ·微信卸载了怎么恢复
- ·男朋友的微信陌陌怎么约不到人了才能知道
- ·东芝打印机错误代码A100 240G 是不是我装错了
- ·求助鸏U46R1静电场中的图像问题题
- ·带壳不能无线充电电可以带手机壳么
- ·我这台服务器可以带30台电脑吗
- ·淘宝内存卡为什么便宜上那些卖专用条内存的又推出全兼容内存条是不是些
- ·网站上设置买家买家累计信用等级级对销量有影响吗
- ·电源芯片az1117hbh和az1117hch通用吗
- ·那个背景怎么换？就是有红酒杯的那个图片，他们说要黄钻，可是以前不用啊，这个背景图片就是可以随便换的
- ·绯色豪门,总裁画地为婚百度云
- ·买一个地址注册公司可以吗
- ·看完上半场，我终于知道赫斯基为什么实况17进球能储存多少那么少了
- ·这个体育场在哪儿
- ·德国7 1巴西球员名单中最糙的是谁
