1，家用净水器如何更换五级滤芯顺序是怎样
你好，家用纯水机的安装顺序是，第一级pp棉，第二级是颗粒活性炭，第三级是压缩活性炭，第四级是膜，第五级是小t33，谢谢采纳
全换？
2，净水机5个滤芯安装顺序
安装顺序是PP棉滤芯，颗炭滤芯，压缩炭滤芯，RO膜滤芯，后置炭滤芯。 注意要查看材料是否齐全，是否有破损情况。准备好前期工作，这样才能顺利进行。安装第一级滤芯5UMPP棉，将带有5UMPP棉标签的覆盖膜包装 去掉，再把PP棉放上去，把滤瓶拧上，用滤瓶扳手将滤瓶拧紧，防止出现渗水。 安装第二级滤芯颗粒活性炭，安装时要注意方向，不能装反，将上面带有垫片胶圈的朝上，插入滤瓶盖，拧上滤瓶，用滤瓶扳手拧紧。安装第三级滤芯1UMPP棉，将覆盖包装去掉，将PP棉插入滤瓶盖，拧上滤瓶，用滤瓶扳手拧紧。
是
3，净水器滤芯安装顺序图解
具体安装顺序如下： 1、先切断电源，关闭进水管阀门和储水箱阀门。 2、进水管阀门的关闭状态 3、关闭储水箱阀门，然后拧紧开始时冲出外壳的四个螺丝（位于四个角处），拆下外壳（有四级和五级滤芯） 里面），就可以开始更换了。 4、扭动滤芯外壳需要专用的“扳手”，较大的用于一、二、三级滤芯，较小的用于四级RO滤芯。 今天只用大的，方向是从上到下顺时针。 外壳很紧，需要靠什么东西借力，但是一旦拧了两三度，用手就可以拆下来。 5、更换滤芯
滤芯的接口规格不同，拆卸也不一样。 最常见的插拔式连接方法： 1、拆卸：将滤芯与水管连接处的蓝色卡环拔掉，将锁环往滤芯放心按下，这样就可以把水管拔掉了，将接头从滤芯用工具拧下来就ok； 2、安装，将接头拧到滤芯两端的丝扣内，将水管插入接头内，将锁环从接头处抠出来，将蓝色的锁卡插入卡槽内即可。
一、首先切断电源，关闭进水管阀门和储水罐阀门。 二、进水管阀门关闭状态 三、储水罐阀门关闭状态，然后拧开头部外壳冲下的四个螺丝（分别位于四角），拆下壳子（里面放着四五级滤芯），即可开始更换。 四、拧滤芯壳子需要用到专用的“扳手”，大的用于一二三级滤芯，小的用于四级RO滤芯。今天我只用大的，方向是从上往下看顺时针。壳子非常紧，需要靠着什么东西借一下力，但一旦拧开两三度，即可用手将其拆下。 五、更换滤芯 六、重新安装好
前往百度APP查看 回答 稍等 7、安装固定好净水机后，将净化水出口与相关管线相连，将管线另一端直接接入小连通上盖进水端口，接法与（4）相同，再将小连通内液位控制浮球拧到中心位置，盖好小联通上盖，将小联通直接平稳放在饮水机上即可。如需要多接几个饮水点，只需在连接管线上接三通即可。
四个过滤芯的净水器芯子安装顺序？
4，净水器的滤芯一般选择几级比较好?越多越好吗?
净水器滤芯并不是越多越好。一般四到五级滤芯就够了。 一般净水器主要由一级PP棉、二级颗粒活性炭、三级压缩活性炭、反渗透RO膜组成，五级净水器会在最后一级再增加一个后置口感因子。 如果是比四级、五级更多级的纯水机，也就是在纯水机内添加了低成本的活性炭、PP棉等，对于精度的提升、口感的改善没有任何作用，只会加大用户使用成本。同时级数多，水损就大，需要的增压泵功率也要加大，增压泵长期处于高强度运转状态下，也是会降低其使用寿命。 （汉斯顿净水器，五级过滤，专业净水器品牌，拥有完善的售后和专业的研发团队，质量可靠） 所以我们平时在选购净水器时，只要是四到五级的就可以放心使用了。有的纯水机不仅只有出水，还有净水（保留了矿物质的水），这种纯水机就是在第三级滤芯后添加出水口，出水可以用作洗碗洗菜等。
净水器的滤来芯一般选择四到五级是最好的，因为净水器滤芯的级数多了也没必要，净水器的滤芯净化过源滤饮水多是级级递进的，只要经过3级就可以直接净化RO反渗知透膜了。经过反渗透膜的水已经是纯水了，所以在反渗透RO膜后面加上后置道活性炭就好的。所以净水器的滤芯不是越多越好，而是适合就好。
不同净水器滤芯的更换时间 净水产品类型众多，不同类型的净水器产品滤芯使用寿命有区别，下面我们以舒适100网热卖的滨特尔家用净水器产品为例，来看看在正常水质状况和家庭水处理量下，几种不同净水器滤芯的更换时间。 前置过滤器： 前置过滤器大多数采用不锈钢过滤钢网，通过自来水的压力水从管道的内壁渗透到外壁，如泥沙、铁锈、红虫等杂质被膜孔截留，打开冲洗阀门补不锈钢膜所截留的杂质补水冲走，就可以实现滤芯的冲洗。前置过滤器因自身就有反冲洗功能，因此可以长期使用。 净水机： 净水机使用的滤芯为kdf滤芯和活性炭，能够过滤掉自来水中的氯、杂质、铁锈等，最后出来的水可以达到饮用水标准。kdf是一种高纯度的铜合金，能够有效去除水中的重金属与酸根离子，活性炭用了一段时间后吸附力会降低，这就需要及时更换。活性炭一般是2年更换一次，kdf滤芯一般3年更换一次。 软水机： 软水机使用的是树脂滤芯，在进行离子交换产生一定量的软水后，树脂吸附的硬度离子会达到饱和，这就需要进行树脂再生，通过再生材料（软水盐）置换树脂内的硬度离子，从而使软水剂可以继续使用。软水机需要定期放置工业盐也叫软水专用盐，要保证30%的余量。 直饮机 直饮机净化的水可以用来生饮、冲咖啡、泡茶、煲汤等，直饮机采用一般采用高精度的五级过滤工艺，初级过滤中的pp滤芯主要用于过滤水中悬浮杂志、颗粒、污泥等，pp棉一般变咖啡色就要更换，在没装中央净水机的情况下，可能2-3月就要更换一次，如果安装了中央净水机，大概一年左右更换一次。 净水器滤芯能用多久，以上对多种净水器滤芯更换时间进行了介绍，净水器滤芯更换时间具体还是要看家庭水处理量和当地水质状况，如果用户平时比较注重滤芯的保养，在使用过程中经常冲洗滤芯，有利于延长滤芯的使用寿命。
5，沁园净水器滤芯更换后为什么指示灯还亮长按5秒后还亮怎么办
这是没有重置好的原因。 1、安装好滤芯后按照说明书上的方法，将更换滤芯的指示灯进行复位，让选择的相应滤芯进行重新计算。 2、滤芯刚更换好之后需要通水进行冲洗或者排水，将滤芯内自带的消毒液冲洗干净，时长为15-30分钟左右。 扩展资料 注意事项 1、为确保净水机产品满足顾客的使用需求，安装人员应确保净水机的进水水质、进水压力、进水流量、水温等满足产品性能参数表中的要求。 如果进水水质不是市政自来水，则需要在净水机前面增加前置过滤装置。如果进水压力太大(超过3公斤)，则需要在净水机前面安装减压阀。如果进水压力太小(小于1公斤)，则需要在净水机前面安装增压泵。 当净水机需要安装在开水器等热温装置的前面时，应确保净水机的安装位置低于开水器的位置，以防止开水器内的蒸汽进入净水机，损害净水机滤芯。 2、净水机上所有的管路、接头、水龙头等涉水配件应符合国家卫生标准。 3、北方地区请勿安装在室外，以防止冻裂超滤芯，同时应防止阳光直射。 4、安装时拧紧螺纹接头时不能用力过大，防止接头螺纹滑牙。 多路阀产品的接头安装注意: 1、外牙直通上应缠适量的绕生料带(又名水胶布)，避免漏水或拧裂。 2、安装O形密封圈时应检查密封圈是否有破损，扭曲等。 3、外牙直通拧紧时用力不得过大，否则可能会引起螺纹滑牙。 参考资料来源：百度百科-净水器滤芯
沁园净饮机的滤芯一般都是长亮的，需要更换的时候会闪烁，把滤芯更换后长按复位键5秒即可。
这是没有重置好的原因。 1、安装好滤芯后按照说明书上的方法，将更换滤芯的指示灯进行复位，让选择的相应滤芯进行重新计算。 2、滤芯刚更换好之后需要通水进行冲洗或者排水，将滤芯内自带的消毒液冲洗干净，时长为15-30分钟左右。 扩展资料： 传统的净水器出现以下的几种情况的时候就是净水器的滤芯需要更换的时候了。 一、出水量 当净水器的出水流量很小，不能满足正常需要。说明滤芯堵塞，应清洗滤芯以便恢复正常流量的时候，或者是经清洗后流量仍然很小，不能满足人们正常需求的时候。 二、口感 当净水器的出水口感下降口感与自来水接近，即不能去除自来水的氯味，说明净水器的活性炭滤芯已经吸附饱和，活性炭失效，此时，就应该更换净水器的滤芯了。 三、使用年限 净水器的反渗透滤芯的寿命一般都是在1年~2年左右，如果净水器的滤芯使用年限超过了两年，大多数情况下就应该更换滤芯了。而且，如果更换滤芯的频率或者是之间相差很长时间的话，净水器的净化效果将达不到我们预期的要求，这对于净水器来说也是有损害的。 参考资料：百度百科-净水器滤芯
付费内容限时免费查看 回答 这是没有重置好的原因。 1、安装好滤芯后按照说明书上的方法，将更换滤芯的指示灯进行复位，让选择的相应滤芯进行重新计算。 2、滤芯刚更换好之后需要通水进行冲洗或者排水，将滤芯内自带的消毒液冲洗干净，时长为15-30分钟左右。 希望可以帮助到您 祝您生活愉快 更多3条
这是没有重置好的缘故 （1）安装好滤芯后按照说明书上的方法，将更换滤芯的指示灯进行复位，让选择的相应滤芯进行重新计算。 （2）滤芯刚更换好之后需要通水进行冲洗或者排水，将滤芯内自带的消毒液冲洗干净，时长为15-30分钟左右。
6，装修最坑的智商税是?爆改_
欢迎来到住范儿的新栏目「装修日记」！
在这个栏目中，你能看到装修从沟通设计到施工落地的全流程，相当于自己装修一遍，结合住范儿的装修干货服用效果更佳。
当然，我们也会在文中和文末拓展阅读附上相关文章噢。
每隔一段时间，“xx天爆改xx㎡”的帖子就会在网上火一阵，堪称月经式热点，搞得很多朋友心潮澎湃、摩拳擦掌、跃跃欲试。
这样的爆改对出租房族非常实用，换小家具就有大效果，但对有房族而言，居住上的很多便利必须通过拆墙砸地来实现，成本高，工期长。
面对庞大的居住工程，装修小白该如何掌控节奏、装出最适合自己的家呢？
看看真实的装修过程就知道了。
屋主介绍
有请本期栏目第一期装修嘉宾，G先生和N女士。
他们俩是第一次装修，但总给人一种轻车熟路的感觉：
商住楼没有集体供暖，夫妇俩嫌水地暖壁挂炉太大、维护麻烦，果断选择电地暖；
装新风，选了全热交换的，室内什么温度，进来的空气就什么温度，不会忽冷忽热；
装净水设备，从过滤泥沙的前置、中央净水、软水机到可以直接喝的末端净水机一应俱全。
难得遇上设备这么齐全的客户，不管你想装什么电器，都可以参考他们的装修经验。
▲ 装修前的主卧
图源：住范儿自摄
房屋信息
建筑面积 109㎡
套内面积 88㎡
常住人口 2人2狗
房屋布局 两居室
装修套餐 颜值革命2.0 S系列
装修预算 30万
设计经理 王艳
▲ 装修前的主卧和次卧
图源：住范儿自摄
这套房子是夫妇俩在帝都奋斗多年后的首套房，G先生和N女士做了很多装修功课，其中搞得最清楚的问题，就是装修公司能做什么和不能做什么。
新风、地暖、中央空调、净水、暖气、燃气等专业设备，有代理商负责销售和安装，需自行联系；
门窗一般不在装修公司套餐内，需自行联系；
全屋定制更是有很多知名品牌，需自行联系；
凡是需要和物业或邻居打交道的事情，一般都需要自己出面，如申请装修许可证、扔建筑垃圾、卫生间防水试验等等；
装修之前和邻居打声招呼，装修过程会顺利很多。
点击下方图片查看拓展阅读
▼
户型分析
这套两居室只有东面有窗，客厅和两个卧室都有飘窗。
下午采光没有上午好，但可以通过照明来解决。
客厅到卧室区要上一个小台阶。
户型方正无槽点，很适合屋主夫妇和两只狗狗居住。
唯一的改动，只是拆掉租房中介在客厅做的隔断墙。
▲ 图源：住范儿自制
▲ 客厅到卧室的小台阶
图源：住范儿自摄
设计方案
夫妇俩目前租房住，在很多方面深感不便，希望能在这套房子装修时消灭这些问题：
北京水质硬，现在用的Brita滤水壶要经常换滤芯；
卫生间干湿不分离，整个卫生间很潮，还会踩出湿脚印；
网络接口少，G先生有很多要接网线的设备，使用不便；
两人用两卫有点鸡肋，总有一个卫生间被闲置；
租的房子储物空间不够，也不合理；
插座太少。
如此一来，G先生和N女士家的设计方向就非常明晰了：
安装电地暖
G先生调查后发现，水地暖维护麻烦，要清洗管路、维修分集水器等，家里还要装一个巨大的壁挂炉，果断选了电地暖。
▲ 这是给卫生间暖气片烧水的壁挂炉
图源：住范儿自摄
▲ 主卫和次卫以后都会铺上电地暖
图源：住范儿自摄
点击下方图片查看拓展阅读
▼
安装新风和中央空调
新风几乎是帝都标配，中央空调则能提高空间利用率。
G先生找的地暖厂家同时代理了新风和中央空调，为了方便装修沟通，G先生就选了同一家。
新风品牌是兰舍，中央空调选了三菱重工，地暖是丹佛斯。
▲ 原来也有中央空调，可以利用之前打的空调洞
图源：住范儿自摄
点击下方图片查看拓展阅读
▼
用六类网线
多数装修公司默认用五类线，网速不慢，但跑不了千兆局域网。
G先生对网络环境要求很高，自己换了6类线。
点击下方图片查看拓展阅读
▼
安装净水设备
北方水质较硬，为了延长用水电器和五金的使用寿命，厨房用中央净水机，卫生间用软水机。
▲ 未来净水设备都会放在厨房或阳台
图源：住范儿自摄
点击下方图片查看拓展阅读
▼
主卫改衣帽间
家里只有两个人住，一个卫生间就够用。
主卫改衣帽间空间利用效率会更高。
点击下方图片查看拓展阅读
▼
这个户型非常好，除了拆掉租房中介的隔墙和改卫生间门位置之外，没有更改的地方了，下面这张图是设计经理王艳帮屋主夫妇设计的平面布置方案。
▲ 图源：住范儿自制
知识点总结
装修内部也分三百六十行，新风、地暖、中央空调、暖气、燃气、门窗、全屋定制等设备和家具都是装修公司无能为力的领域，如有意购买，需自行采购。
想装的电器、想买的家具，最好在画图之前就把尺寸告诉设计师。以G先生为例，画图之前就给了一长串电器清单。设计经理王艳发现厨房电器太多，需要把部分机器挪到阳台。幸好发现得早，不然等到电器安装时就晚了。
来源：住范儿原创
编辑：宇宙英雄
合作请邮件至：marx@zhufaner.com
投稿请邮件至：fuweihuan@zhufaner.com
2015-2018 www.zhufaner.com
7，5大千万级设备市场技术拆解_
近一年各种深度学习平台和硬件层出不穷，各种xPU的功耗和面积数据也是满天飞，感觉有点乱。在这里我把我看到的一点情况做一些小结，顺便列一下可能的市场。在展开之前，我想强调的是，深度学习的应用无数，我能看到的只有能在千万级以上的设备中部署的市场，各个小众市场并不在列。
深度学习目前最能落地的应用有两个方向，一个是图像识别，一个是语音识别。这两个应用可以在如下市场看到：个人终端（手机，平板），监控，家庭，汽车，机器人和无人机。
手机和平板：安卓的天下，一定要紧跟谷歌爸爸
先说手机和平板。这个市场一年的出货量在30亿颗左右（含功能机），除苹果外总值300亿刀。手机主要玩家是苹果（3亿颗以下），高通（8亿颗以上），联发科（7亿颗以上），三星（1亿颗以下），海思（1亿颗），展讯（6亿颗以上），平板总共4亿颗左右。而28纳米工艺，量很大的话（1亿颗以上），工程费用可以摊的很低，平均1平方毫米的成本是8美分左右，低端4G芯片（4核）的面积差不多是50平方毫米以下，成本就是4刀。中端芯片（8核）一般在100平方毫米左右，成本8刀。16纳米以及往上，同样的晶体管数，单位成本会到1.5倍。
一般来说，手机的物料成本中，处理器芯片（含基带）价格占了1/6左右。一个物料成本90刀的手机，用的处理器一般在15刀以下，甚至只有10刀。这个10刀的芯片，包含了处理器，图形处理器，基带，图像信号处理器，每一样都是高科技的结晶，却和肯德基全家桶一个价，真是有点惨淡。然而，生产成本只是一部分，人力也是很大的开销。一颗智能机芯片，软硬开发，测试，生产，就算全用的成熟IP，也不会少于300人，每人算10万刀的开销，量产周期两年，需要6000万刀。外加各种EDA工具，IP授权和开片费，芯片还没影子，1亿刀就下去了。
言归正传，手机上的应用，最直接的就是美颜相机，AR和语音助手。这些需求翻译成硬件指令，就是对8位整数点乘（INT8）和16位浮点运算（FP16）的支持。具体怎么支持？曾经看到过一张图，我觉得较好的诠释了这一点：
智能手机和平板是安卓的天下，所有独立芯片商都必须跟着谷歌爸爸走。谷歌已经定义了Android NN作为上层接口，可以支持它的TensorFlow，以及专为移动设备定义的TensorFlow Lite。而下层，针对各种不同场景，可以是CPU，GPU，DSP，也可以是硬件加速器。它们的能效比如下图：
可以看到，在TSMC16纳米工艺下，大核能效比是10-100Gops/W（INT8），小核可以做到100G-1Tops/W，手机GPU是300Gops/W，而要做到1Tops/W以上，必须使用加速器。这里要指出的是，小核前端设计思想与大核完全不同，在后端实现上也使用不同的物理单元，所以看上去和大核的频率只差50%，但是在逻辑运算能效比上会差4倍以上，在向量计算中差的就更多了。
手机的长时间运行场景下，芯片整体功耗必须小于2.5瓦，分给深度学习任务的，不会超过1.5瓦。相对应的，如果做到1Tops/W，那这就是1.5T（INT8）的处理能力。对于照片识别而言，情况要好些，因为通常不需要长时间连续的处理。这时候，CPU是可以爆发然后休息的。语音识别对性能要求比较低，100Gops可以应付一般应用，用小核也足够。但有些连续的场景，比如AR环境识别，每秒会有30-60帧的图像送进来，如果不利用前后文帮助判断，CPU是没法处理的。此时，就需要GPU或者加速器上场。
上图是NVidia的神经网络加速器DLA，它只有Inference的功能。前面提到在手机上的应用，也只需要Inference来做识别，训练可以在服务端预先处理，训练好的数据下载到手机就行，识别的时候无需连接到服务端。
DLA绿色的模块形成类似于固定的流水线，上面有一个控制模块，可以用于动态分配计算单元，以适应不同的网络。稀疏矩阵压缩减少带宽，优化的矩阵算法减少计算量，外加SRAM（一个273x128, 128x128, 128x128 ,128x6 的4层INT8网络，需要70KB SRAM）。我看到的大多数加速器，其实都是和它大同小异，有些加速器增加了一个SmartDMA引擎，可以通过简单计算预取所需的数据。根据我看到的一些跑分测试，这个预取模块可以把计算单元的利用率提高到90%以上。
至于能效比，我看过的加速器，在支持INT8的算法下，可以做到 1.2 Tops/W (1Ghz@T16FFC)，1 Tops/mm^2，并且正在向1.5 Tops/W靠近。也就是说，1.5W可以获得2Tops (INT8) 的理论计算能力。这个计算能力有多强呢？我这目前处理1080p 60 FPS的图像中的60x60及以上的像素大小的人脸识别，大致需要0.5 Tops的计算能力，2Tops完全可以满足。当然，如果要识别复杂场景，那肯定是计算力越高越好。
为什么固定流水的能效比能做的高？ASIC的能效比远高于通用处理器已经是一个常识，更具体一些，DLA不需要指令解码，不需要指令预测，不需要乱序执行，流水线不容易因为等待数据而停顿。下图是某小核各个模块的动态功耗分布，计算单元只占1/3，而指令和缓存访问占了一半。
有了计算量，深度学习加速器对于带宽的需求是多少？如果SRAM足够大，1Tops的计算量需要5GB/s以下的带宽。连接方法可以放到CPU的加速口ACP （跑在1.8 GHz的ARMv 8.2内部总线可以提供9 GB/s带宽）。只用一次的数据可以设成非共享类型，需要和CPU交换或者常用的数据使用Cacheable和Shareable类型，既可以在三级缓存分配空间，还可以更高效的做监听操作，免掉刷缓存。
不过，上述前提成立的前提是权值可以全部放到SRAM或者缓存。对于1Tops INT8的计算量，所需权值的大小是512 GB/s（有重复）。如果全部放DDR，由于手机的带宽最多也就是30 GB/S，是完全不够看的。对于输入，中间值和输出数据，我在上文有个例子，一个273x128,128x128, 128x128 ,128x6 的4层INT8网络，需要70KB的SRAM（片内）放权值，共7万个。但是输入，输出和中间结果加起来却只有535个，相对来说并不大。这里的运算量是14万次（乘和加算2次）。对于1T的运算量来说，类似。中间数据放寄存器，输出数据无关延迟，只看带宽，也够。最麻烦的就是权值，数据量大到带宽无法接受。所以，只能把权值放进SRAM防止重复读取，从而免掉这500GB/s带宽。我看到的有些深度学习的算法，权值在几十到200兆，这样无论如何是塞不进SRAM的。哪怕只有10%需要读入，那也是50GB/s的带宽。虽说现在有压缩算法压缩稀疏矩阵，有论文达到30-50倍的压缩率，但我看到的实际识别算法，压缩后至少也是20MB，还是塞不进SRAM。
图像识别/美颜相机：目前80%的图像、视频任务都是用CPU在处理
此外，移动端仅仅有神经网络加速器是远远不够的。比如要做到下图效果，那首先要把人体的各个细微部位精确识别，然后用各种图像算法来打磨。而目前主流图像算法和深度学习没有关系，也没看到哪个嵌入式平台上的加速器在软件上有很好的支持。目前图像算法的支持平台还主要是PC和DSP，连嵌入式GPU做的都一般。
那这个问题怎么解决？我看到两种思路：
第一种，GPU内置加速器。下图是Verisilicon的Vivante改的加速器，支持固定流水的加速器和可编程模块Vision core（类似GPU中的着色器单元），模块数目可配，可以同时支持视觉和深度学习算法。不过在这里，传统的图形单元被砍掉了，以节省功耗和面积。只留下调度器等共用单元，来做异构计算的调度。
这类加速器比较适合于低端手机，自带的GPU和CPU本身并不强，可能光支持1080p的UI就已经耗尽GPU资源了，需要额外的硬件模块来完成有一定性能需求的任务。
第二种，对于中高端手机，GPU和CPU的资源在不打游戏的时候有冗余，那么就没有必要去掉图形功能，直接在GPU里面加深度学习加速器就可以，让GPU调度器统一调度，进行异构计算。
上图是某款GPU的材质计算单元，你有没有发现，其实它和神经网络加速器的流水线非常类似？都需要权值，都需要输入，都需要FP16和整数计算，还有数据压缩。所不同的是计算单元的密度，还有池化和激活。稍作改动，完全可以兼容，从而进一步节省面积。
但是话说回来，据我了解，目前安卓手机上各种图像，视频和视觉的应用，80%其实都是用CPU在处理。而谷歌的Android NN，默认也是调用CPU汇编。当然，手机芯片自带的ISP及其后处理，由于和芯片绑的很紧，还是能把专用硬件调动起来的。而目前的各类加速器，GPU，DSP，要想和应用真正结合，还有挺长的路要走。
AR：如果不复杂，对CPU和GPU的性能要求并不高
终端设备上还有一个应用，AR。据说iPhone 8会实现这个功能，如果是的话，那么估计继2015的VR/AR，2016的DL，2017的NB-IOT之后，2018年又要回锅炒这个了。
那AR到底用到哪些技术？我了解的如下，先是用深度传感器得到场景深度信息，然后结合摄像头拍到的2D场景，针对某些特定目标（比如桌子，面部）构建出一个真实世界的3D物体。这其中需要用到图像识别来帮助判断物体，还需要确定物体边界。有了真实物体的三维坐标，就可以把所需要渲染的虚拟对象，贴在真实物体上。然后再把摄像头拍到的整个场景作为材质，贴到背景图层，最后把所有这些图层输出到GPU或者硬件合成器，合成最终输出。这其中还需要判断光源，把光照计算渲染到虚拟物体上。这里每一步的计算量有多大？
首先是深度信息计算。获取深度信息目前有三个方法，双目摄像头，结构光传感器，还有TOF。它们分别是根据光学图像差异，编码后的红外光模板和反射模板差异，以及光脉冲飞行时间来得到深度信息。第一个的缺点是需要两个摄像头之间有一定距离，并且对室内光线亮度有要求；第二个需要大量计算并且室外效果不佳；第三个方案镜头成本较高。据说苹果会用结构光方案，主要场景是室内，避免了缺点。结构光传感器的成本在2-3刀之间，也是可以接受的。而对于计算力的要求，最基本的是对比两个经过伪随机编码处理过的发射模板以及接受模板，计算出长度差，然后用矩阵倒推平移距离，从而得到深度信息。这可以用专用模块来处理，我看到单芯片的解决方案，720p 60FPS的处理能力，需要20GFLOPS FP32的计算量以上。换成CPU，就是8核。当然，我们完全可以先识别出目标物体，用图像算法计算出轮廓，还可以降低深度图的精度（通常不需要很精确），从而大大降低计算量。而识别本身的计算量前文已经给出，计算轮廓是经典的图像处理手段，针对特定区域的话计算量非常小，1-2个核就可以搞定。
接下去是根据深度图，计算真实物体的三维坐标，并输出给GPU。这个其实就是GPU渲染的第一阶段的工作，称作顶点计算。在移动设备上，这部分通常只占GPU总计算量的10%，后面的像素计算才是大头。产生虚拟物体的坐标也在这块，同样也很轻松。
接下去是生成背景材质，包括产生minimap等。这个也很快，没什么计算量，把摄像头传过来的原始图像放到内存，告诉GPU就行。
稍微麻烦一些的是计算虚拟物体的光照。背景贴图的光照不需要计算，使用原图中的就可以。而虚拟物体需要从背景贴图抽取亮度和物体方向，还要计算光源方向。我还没有见过好的算法，不过有个取巧，就是生成一个光源，给一定角度从上往下照，如果对AR要求不高也凑合了。
其他的渲染部分，和VR有些类似，什么ATW啊，Front Buffer啊，都可以用上，但是不用也没事，毕竟不是4K 120FPS的要求。总之，AR如果做的不那么复杂，对CPU和GPU的性能要求并不高，搞个图像识别模块，再多1-2个核做别的足矣。
如果加速器在GPU上，那么还是得用传统的ACE口，一方面提高带宽，一方面与GPU的核交换数据在内部进行，当然，与CPU的交互必然会慢一些。
在使用安卓的终端设备上，深度学习可以用CPU/DSP/GPU，也可以是加速器，但不管用哪个，一定要跟紧谷歌爸爸。谷歌以后会使用 Vulkan Compute来替代OpenCL，使用Vulkan 来替代OpenGL ES，做安卓GPU开发的同学可以早点开始熟悉了。
高通推过用手机做训练，然后手机间组网，形成强大的计算力。从我的角度看，这个想法问题多多，先不说实际应用，谁会没事开放手机给别人训练用？耗电根本就吃不消。并且，要是我知道手机偷偷上传我的图像和语音模板到别人那里，绝对不会买。
家庭市场（智能音箱）：语义识别放在云端还是终端，将成争夺的焦点
第二个市场是家庭，包括机顶盒/家庭网关（4亿颗以下），数字电视（3亿颗以下），电视盒子（1亿以下）三大块。整个市场出货量在7亿片，电器里面的MCU并没有计算在内。这个市场公司比较散，MStar/ 海思/博通/ Marvell / Amlogic都在里面，小公司更是无数。如果没有特殊要求，拿平板的芯片配个wifi就可以用。当然，中高端的对画质还是有要求，MTK现在的利润从手机移到了电视芯片，屏幕显示这块有独到的技术。很多机顶盒的网络连接也不是以太网，而是同轴电缆等，这种场合也得专门的芯片。
最近，这个市场里又多了一个智能音箱，各大互联网公司又拿出当年追求手机入口的热情来布局，好不热闹。主要玩家如下：
其中，亚马逊和谷歌占大头，芯片均采用ARM Cortex-A小核做控制器，DSP做图像和语音处理的方式。其中，DSP的运算能力在10 Gops的INT8 MAC左右，并不高，价格却不便宜，大于20美金。在芯片内部，DSP的主要作用还是回声消除，去噪，语音识别等。自然语言理解和神经网络计算并不是在设备端，而是在云端。在国内，百度和科大讯飞提供SDK甚至模块，不过还是需要连到云端才能启用完整功能。在芯片方面，国内有些公司已经发布了一些带深度学习加速器的芯片，并集成语音处理模块和内存颗粒。未来这类芯片会更多，而软件平台，或者说语义处理到底放在云端还是终端，会成为争夺的焦点。
对于语音设别，如果是需要做自然语言理解，性能可能要到100Gops。对于无风扇设计引入的3瓦功耗限制，CPU/DSP和加速器都可以选。不过工艺就得用28纳米了或者更早的了，毕竟没那么多量，撑不起16纳米。最便宜的方案，可以使用RISC-V+DLA，没有生态系统绑定的情况下最省成本。
家庭电子设备里还有一个成员，游戏机。Xbox和PS每年出货量均在千万级别。VR/AR和人体识别早已经用在其中。
监控市场：能不能扔掉DSP？
接下去是监控市场。监控市场上的图像识别是迄今为止深度学习最硬的需求。监控芯片市场本身并不大，有1亿颗以上的量，销售额20亿刀左右。主流公司有安霸，德州仪器和海思，外加几个小公司，OEM自己做芯片的也有。
传统的监控芯片数据流如上图蓝色部分，从传感器进来，经过图像信号处理单元，然后送给视频编码器编码，最后从网络输出。如果要对图像内容进行识别，那可以从传感器直接拿原始数据，或者从ISP拿处理过的图像，然后进行识别。中高端的监控芯片中还会有个DSP，做一些后处理和识别的工作。现在深度学习加速器进来，其实和DSP是有些冲突的。以前的一些经典应用，比如车牌识别等，DSP其实就已经做得很好了。如果要做识别以外的一些图像算法，这颗DSP还是得在通路上，并不能被替代。并且，DSP对传统算法的软件库支持要好得多。这样，DSP替换不掉，额外增加处理单元在成本上就是一个问题。
对于某些低功耗的场景，我看到有人在走另外一条路。那就是完全扔掉DSP，放弃存储和传输视频及图像，加入加速器，只把特征信息和数据通过NB-IOT上传。这样整个芯片功耗可以控制在500毫瓦之下。整个系统结合传感器，只在探测到有物体经过的时候打开，平时都处于几毫瓦的待机状态。在供电上，采用太阳能电池，100mmx100mm的面板，输出功率可以有几瓦。不过这个产品目前应用领域还很小众。
做识别的另一个途径是在局端。如果用显卡做，GFX1080的FP32 GLOPS是9T，180瓦，1.7Ghz，16纳米，320mm。而一个Mali G72MP32提供1T FP32的GFLOPS，16纳米，850Mhz，8瓦，9T的话就是72瓦，666mm。当然，如果G72设计成跑在1.7Ghz，我相信不会比180瓦低。此外桌面GPU由于是Immediate rendering的，带宽大，但对缓存没有很大需求，所以移动端的GPU面积反而大很多，但相对的，它对于带宽需求小很多，相应的功耗少很多。
GPU是拿来做训练的，而视频识别只需要做Inference，如果用固定流水的加速器，按照NVIDIA Tesla P40的数据，48T INT8 TOPS，使用固定流水加速器，在16nm上只需要48mm。48Tops对应的识别能力是96路1080p60fps，96路1080p60fps视频解码器对应的面积差不多是50mm，加上SRAM啥的，估计200mm以下。如果有一千万的量，那芯片成本可以做到40美金以下（假定良率还可以，不然路数得设计的小一点），而一块Tesla P40板子的售价是500美金（包括DDR颗粒），还算暴利。国内现在不少小公司拿到了投资在做这块的芯片。
机器人和无人机
第四个市场是机器人/无人机。机器人本身有多少量我没有数据，手机和平板的芯片也能用在这个领域。无人机的话全球一年在200万左右，做视觉处理的芯片也应该是这个量级。无人机用到的识别模块目前看还是DSP和CPU为主，因为DSP还可以做很多图像算法，和监控类似。这个市场对于ISP和深度信息的需求较高，双摄和结构光都可以用来算深度计算，上文提过就不再展开。
在无人机上做ISP和视觉处理，除了要更高的清晰度和实时性外，还比消费电子多了一个要求，容错。无人机的定位都靠视觉，如果给出的数据错误或者模块无反应都不符合预期。解决这个问题很简单，一是增加各种片内存储的ECC和内建自检，二是设两个同样功能的模块，错开时钟输入以避免时钟信号引起的问题，然后输出再等相同周期，同步到一个时钟。如果两个结果不一致，那就做特殊处理，避免扩散数据错误。
汽车：300亿美元芯片市场，容错能力需要系统化升级
第五个市场是汽车，整个汽车芯片市场近300亿刀，玩家众多：
在汽车电子上，深度学习的应用就是ADAS了。在ADAS里面，语音和视觉从技术角度和前几个市场差别不大，只是容错这个需要进一步系统化，形成Function Safety，整个软硬件系统都需要过认证，才容易卖到前装市场。Function Safety比之前的ECC/BIST/Lock Step更进一步，需要对整个芯片和系统软件提供详细的测试代码和文档，分析在各类场景下的错误处理机制，连编译器都需要过认证。认证本身分为ASIL到A-ASIL-D四个等级，最高等级要求系统错误率小于1%。我对于这个认证并不清楚，不过国内很多手机和平板芯片用于后装市场的ADAS，提供语音报警，出货量也是过百万的。
最后放一张ARM的ADAS参考设计框图。
可能不会有人照着这个去设计ADAS芯片，不过有几处可以借鉴：
右方是安全岛，内涵Lock Step的双Cortex-R52，这是为了能够保证在左边所有模块失效的情况下复位整个系统或者进行异常中断处理的。中部蓝色和绿色的CryptoCell模块是对整个系统运行的数据进行保护，防止恶意窃取的。关于Trustzone设计这里就不展开了。
服务器及其他市场：
以上几个市场基本都是Inference的需求，其中大部分是对原有产品的升级，只有ADAS，智能音箱和服务器端的视频识别检测是新的市场。其中智能音箱达到了千万级别，其他的两个还都在扩张。
接下去的服务端的训练硬件，可以用于训练的移动端GPU每个计算核心面积是1.5mm (TSMC16nm)，跑在1Ghz的时候能效比是300Gops/W。其他系统级的性能数据我就没有了。虽然这个市场很热，NVidia的股票也因此很贵，但是我了解到全球用于深度学习训练的GPU销售额，一年只有1亿刀不到。想要分一杯羹，可能前景并没有想象的那么好。
最近970发布，果然上了寒武纪。不过2Tops FP16的性能倒是让我吃了一惊，我倒推了下这在16nm上可能是6mm的面积，A73MP4+A53MP4（不含二级缓存）也就是这点大小。麒麟芯片其实非常强调面积成本，而在高端特性上这么舍得花面积，可见海思要在高端机上走出自己的特色之路的决心，值得称道。不过寒武纪既然是个跑指令的通用处理器，那除了深度学习的计算，很多其他场合也能用上，比如ISP后处理，计算结构光深度信息等等，能效可能比DSP还高些。
