1，美的机械摇头风扇怎么拆解
你拆的时候是插着点拆的吗? 其实小太阳的拆装很简单,不知道你的是什么型号的.有的底座是扣的,有的是往里面打的螺丝,看样子你的是外面没螺丝的,你可以从上面看下 也就是立柱的底端,要是扣的你就扳住一边 把里面那头用力 美的(Midea)小太阳 NPS。
用螺丝刀
2，电风扇怎么拆
看你是什么风扇 一般的是立式空调，落地扇 先把上面的部分 和下面铁管连接部分分开。有些风扇有旋钮，如果没有，就要用螺丝刀把螺丝卸下来 上下身分开后，可以先拆上身或下身 上身，要把网罩拆下来，有的是带网扣的，有的是带网圈的，都很容易拆 然后把风帽拧下来，记得是和风扇的旋转方向相反的 把风叶拿下来，然后，网罩的后半部分和电机机壳连接部分 有旋钮，把它拧开 拿下网罩后半部分 再把旋钮按到电机机壳上，以免丢失，把风帽（风叶的帽子） 再安装到电机轴上 。 这样上半部分拆装完毕 要做的就是网罩风叶放到一起找个袋子装起来 电扇下半部分很好拆卸， 这样一台电扇就拆卸完毕 不知道是不是你要的答案 如果不是的话 最好看看说明书 ，怎么装的 按照相反程序就可以
用起子拆
3，电风扇转不动是什么原因?怎么修?_
电风扇转不动的原因有电机轴承卡死、启动电容老化、电机烧毁这三种原因，解决办法是清洗电机轴承机传动部件，更换启动电容和更换电机。
电风扇是我们家庭爱惜日网里常见的电器，就算我们现在有空调设备，它一样是我们生活中不可或缺的设备，爱惜日网因为它可以配合空调的冷气流，带来比较好的舒适体验。电风扇转不动的情况，一般是轴承卡死最普遍，然后是启动电容干枯老化较多，电机的短路情况比较少见。
电风扇转不动可以通过以下方法修理：
1、很多时候引起风扇风叶不转的原因，都是保养较差的问题。如果关闭电源后用手拨动风叶转动僵硬，则应该用一些润滑油滴入转轴，让它能被润滑，才不会影响动机拖动风叶。
2、若是电容小了则更换风扇内的电容，我们在拆下风扇后电机的外壳后可以看到电容。我们可以更换同规格的电容，电容也可以比原来大一点，但不超过原来电容的20％。
3、如果是拆卸了电机，转轴轴向间隙过大应通过调整垫片调整好。安装电机时，转子一定要与轴承同心才行，螺丝要对角慢慢紧固，然后用起子木把敲一敲转轴，使其同心。
4、拆电机简单，但再重新装回去可不是随随便便就装回去的，千万不要发生上面的情况，不然，直接修“坏”了。
4，拆空调的步骤和方法是什么?_
1、收氟。开机打制冷，压缩机工作后关停高压阀运转一分钟，关停低压阀，停机。拔除电源插头，冬天的时候可以拔除外机四通阀的接线。2、拆开室外机铜管连接器（塑料布包好，避免进土），拆开室外机电线连接器（记住线的顺序）。3、拆下室内室外机。
可能有些业主在空调安装之后就没有留意过拆卸的问题，但是有时候会需要对空调进行移位，就需要先把空调拆下来，步骤为：1、收氟。开机打制冷，压缩机工作后关停高压阀运转一分钟，关停低压阀，停机。拔除电源插头，冬天的时候可以拔除外机四通阀的接线。2、拆开室外机铜管连接器（塑料布包好，避免进土），拆开室外机电线连接器（记住线的顺序）。3、拆下室内室外机。
关于室外机的拆卸，因为涉及到一定的专业性和技术难度，所以还是建议大家请专门的维修工来操作。不过如果对自己的动手能力足够有自信，也可以尝试自己拆卸。室外机的拆卸方法和室内机差不多，也是要拧开外机连接的锁母，保护好连接处的丝纹。然后用扳手松开外机脚底固定的螺丝就行了。因为室外机有一定的体积和重量，为了自身的安全着想，建议用绳索吊住，放的时候要注意平衡，免得出现磕碰损坏。然后就是要把连接口的管子口堵住，不让水分和灰尘进入。
总而言之，空调的拆装就是上面介绍的三个大步骤，不过大家操作的时候要特别细心才行，毕竟拆装的过程中涉及到许多螺丝啊，锁母啊，丝纹之类的，需要提前准备好标记的工具。怎么说这些都是电子元件，万一连接不恰当造成不好的影响，那就得不偿失了!
5，电风扇的扇叶如何拆下?有图。求解、
拆洗电风扇扇叶步骤如下： 1、手动松开网夹夹头，用手向上掰开。 2、取出电风扇前网盖。 3、拧出马达转轴螺母。白色塑料那个。 4、取出风叶；手动拿出风叶片。 5、松开后网螺母；手动拧出。 6、取出后网；手动拿出后网。 扩展资料 组装电风扇步骤： 1、首先要把箱子拆开，把电风扇各种零件在地面上摆放好。 2、拿出底盆和支管，如图，把螺母拆下来再放进底盆中间的空槽里，再把螺母扭上扭紧。 3、现在把支管上面的胶螺母扭下来，如图所示。 4、这时根据自身需要把风扇调多高就拉多高，后期也可以调整。 5、把风扇头拿起来，把后面的螺丝扭松后，再把电风扇头插上去，再扭紧螺丝。 6、现在把风扇螺杆头的护罩扭下来，把他放在一边，等下要用到，再把里面的护罩也拆下来。 7、把风扇后盖放上去，如图，要对准卡槽，不然会松动，放好就扭上护罩。 8、现在把风扇叶安装上去，再扭上第一个拆下来的护罩扭上去，记得扭紧点。记得把风扇叶放进卡槽再扭紧。 9、现在把前风扇罩安装上，如图，有的风扇这一步是没有的，直接扭上螺丝就可以了。 10、这时把卡带在风扇前罩上扭紧，只扭一半就可以了，再和风扇后罩按上去，再看其他部位有没进进入卡槽里，全部进去了就把螺丝扭紧。 11、最后一步看下电风扇叶有没有碰到护罩上，如果有就拆下来重新调整下，没有就插上电试试风力，记得从一档开始试。
那个卸下来很长的螺丝是安装在哪里的呢
转轴上滴一点车油，等一会就可以将扇页拉出。
直接向外拉，看看能不能拆下来，不能的话就转转试试，有可能是拧的。
后面转轴上面应该有个螺丝固定锁紧的，你看下，松开螺丝，轻轻往外拔就好了，如果没有螺丝的话，就需要你固定住转轴，逆时针旋转风叶就好了
6，电风扇不转了怎么维修?_
将电机拆开在轴与轴套处抹一些润滑剂。风扇磨损严重可以更换零件和轴套。拆卸电机后调整垫片。拆下电容，换一个同型号的新电容。
风扇缺油导致风扇无法转动，可以用螺丝刀将电机拆开，在轴与轴套处抹一些润滑剂，可以使风扇恢复正常。风扇磨损严重导致的风扇叶不转动，可以更换零件和轴套，电风扇就可以恢复正常。风扇的转轴轴向间隙太大，可以拆卸电机后调整垫片。电容容量变小引起风扇不转，可以拆下电容，换一个同型号的新电容，会有很好的转动效果。
电风扇不转的原因有如下：
1、电风扇是属于家中的小家电，我们平时对其缺乏保养。很多时候引起风扇风叶不转的原因，都是保养差的问题。如果关闭电源后用手拨动风叶转动僵硬，则应该用一些润滑油滴入转轴，让它能被润滑，才不会影响动机拖动风叶。
2、很多时候我们发现电风扇不转第一想到的应该是电机的润滑问题，一般表现为风叶装在上面电机拖动不了，而拆下后，转轴能正常运转，这说明电机没有坏掉。
3、也有可能是电风扇使用时间久了，电机出现了损耗。一旦电机的轴套磨损后，很容易烧掉。电机用久了，同样会使得电机的内阻变大，带负载能力变低，导致无法带动风叶旋转。
4、电风扇不转也可能是开机工作时间过长，导致电风扇的电机过热。这也会引起电机带负载能力变差，电机的有功功率变低，导致无法带动负载。
电风扇不转维修方法如下：
1、保养较差引起的电风扇不转，解决办法很简单，就是用润滑油滴入转轴，让它被润滑，这样就不会影响动机拖动风叶了。
2、如果电风扇不转是因为磨损，那维修的最简单方法就是更换零件了，特别是轴套，磨损后容易烧掉的。
3、如果电风扇不转是由于电容容量变小导致的，我们可以拆下电容，换一个同型号的新的电容。不过建议选择比原来的电容大20%的，会有更好的转动效果。
4、如果是因为转轴轴向间隙太大导致电风扇不转，我们对其维修可以选择拆卸电机调整垫片。不过要注意转子必须和轴承同心，润滑用螺丝对角慢慢的扭紧，最后用木把敲一下转轴，确保它同心。
5、如果是电气故障，先检查各条线路，如果是电线损坏等，可以就问题修理。
7，美的电风扇拆卸图解
1、建议把电源插座更换成带16A开关的插座，这样不需要通电加热时，直接把开关关上就可以了，避免频繁插拔电源插头造成接触不良的故障； 2、根据使用频率和用水量确定通电加热方式。如果使用频率高，用水量大，可始终保持通电，不需要拔掉电源插头，这样会省电；但如果使用频率不高或用水量较少，当水温达到要求的温度后，就可以拔掉电源插头，然后使用热水，这样也比较省电。 3、清洁水箱水垢：根据当地的自来水水质和使用频率，定期进行水垢，一般应该每年除垢一次。当出水时出行忽大忽小的现象，同时有类似气流声的时候，说明水箱里的水垢太多，应该及时除垢了。方法是：如果水箱上有专用的放水螺帽，可把螺帽拆卸放掉水箱里的水，水快放完时，会把水垢带出，放完后，再往水箱里加注一些自来水，再放掉水，这样反复几次就可以把水垢清除干净了。如果水箱上没有专用的放水螺帽，就应该把带安全阀的连接水管拆卸下来，这样放掉水箱里的水后，再加注一些自来水，反复几次就可以了。 另外，热水器的容量应根据人数或用水量来确定容量的大小，最起码应不小于50升，冬季才能保证洗澡用水。夏季使用一般通电加热15分钟就可以洗澡了。如果带水温调节功能，可根据用水量合理调整水...1、建议把电源插座更换成带16A开关的插座，这样不需要通电加热时，直接把开关关上就可以了，避免频繁插拔电源插头造成接触不良的故障； 2、根据使用频率和用水量确定通电加热方式。如果使用频率高，用水量大，可始终保持通电，不需要拔掉电源插头，这样会省电；但如果使用频率不高或用水量较少，当水温达到要求的温度后，就可以拔掉电源插头，然后使用热水，这样也比较省电。 3、清洁水箱水垢：根据当地的自来水水质和使用频率，定期进行水垢，一般应该每年除垢一次。当出水时出行忽大忽小的现象，同时有类似气流声的时候，说明水箱里的水垢太多，应该及时除垢了。方法是：如果水箱上有专用的放水螺帽，可把螺帽拆卸放掉水箱里的水，水快放完时，会把水垢带出，放完后，再往水箱里加注一些自来水，再放掉水，这样反复几次就可以把水垢清除干净了。如果水箱上没有专用的放水螺帽，就应该把带安全阀的连接水管拆卸下来，这样放掉水箱里的水后，再加注一些自来水，反复几次就可以了。 另外，热水器的容量应根据人数或用水量来确定容量的大小，最起码应不小于50升，冬季才能保证洗澡用水。夏季使用一般通电加热15分钟就可以洗澡了。如果带水温调节功能，可根据用水量合理调整水温，这样就比较省电
这个我估计没图，拆呗，电风扇才多少钱的东西，我笔记本都自己拆过，不过拆的时候首先要记得各个零件的安装位置和顺序，然后就是要有个专门放螺丝的盒子不然掉了很难找
8，机房服务器维护指导_
核心提示： 数据中心机房维护应该注意哪些事项？我们一起来总结一下吧！ 1、电力保障
定期检测机房内市电及 UPS 电源是否稳定，并做好记录，UPS 巡检记录要落实到个人。 确保服务器硬件系统的稳定运转，确保市电中断后服务器正常运转理论值 8 小时。若遇市电 中断，如无特殊事宜，请尽量关闭服务器，以免温度过高导致设备损坏。
2、温度控制
把机房温度控制在 20-25o C以内。
3、湿度控制
机房内湿度控制在 45-55%之间。
4、消防保障
机房为重点防火部位，火险控制规范按照下列要求执行：1）全体人员应有高度的防火意识，禁止在机房内存放易燃易爆物品，禁止在机房内吸烟 或使用明火。
2）消防器材由专人负责保管，定期检查消防器材。未经许可，禁止擅自移动。
3）每月进行一次电源开关、电器和线路的检查，发现故障、老化、破损、绝缘不良等不 安全因素，必须及时报修，并做好记录备案，消除安全隐患。
4）所有技术人员应掌握消防灭火知识，发现火情要立即报告，并及时采取措施，尽最大 努力保护设备的安全。
5）机房内的电源和插座为机房设备专用，非机房设备不得使用机房电源。
6）不经许可不得在室内私自乱拉电源线。不经许可不得拆卸计算机辅助设施及电源线。
7）机房内不得随意用水。在夏季空调开放期间，应经常检查空调冷凝水管和窗户，以防 止水流入机房。
8）安全消防关系网络机房人员的安全，必须严格遵守。对违反制度造成后果的要严加追 查，予以处理。
5、静电、防雷措施
做好机柜、设备接地，避免雷击或者静电对机房设备的损坏，拆装设备时佩戴绝缘手套。
6、防尘 、除尘
根据机房的具体情况设定合理的除尘周期，并按照机房内部、机房外部、机房设备内部 三部分进行分别清洁。定期检查清洁设备是否完好，设备的清洁不需要很复杂的工具，一般 的除尘维护只需要准备十字螺丝刀、平口螺丝刀、油漆刷或者油画笔，不要使用普通毛笔等 容易脱毛的笔刷。电吹风、无水酒精、散热硅油、脱脂棉球、钟表起子、镊子、皮老虎。如 需简单维护，还需要尖嘴钳、试电笔万用表等设备。
●防尘
机房分区控制，对于大型机房，条件允许的情况下应进行区域化管理，将易受灰尘干扰 的设备尽量与进入机房的人员分开，减少其与灰尘接触的机会。例如将机房分为三个区域， 服务器主机区，控制区，数据处理终端区。并设置专门的参观通道，通道与主机区用玻璃幕 墙隔开。
定期检查机房密封性。定期检查机房的门窗、清洗空调过滤系统，封堵与外界接触的缝 隙，杜绝灰尘的来源，维持机房空气清洁。
维持机房环境湿度，严格控制机房空气湿度，即要保证减少扬尘、同时还要避免空气湿 度过大，设备产生锈蚀和短路。
严格控制人员出入，设置门禁系统，不允许未获准进入机房的人进入机房。进入机房的 人员的活动区域也要严格控制，尽量避免其进入主机区域。 做好预先除尘措施，机房应配备专用工作服和拖鞋，并经常清洗。进入机房的人员，无 论是本机房人员还是其他经允许进入机房的人员，都必须更换专用拖鞋或使用鞋套。尽量减 少进入机房人员穿着纤维类或其他容易产生静电附着灰尘的服装进入。
●除尘
提高机房压力，建议有条件的机房采用正压防灰尘，即通过一个类似打气桶的设备向机房内 部持续的源源不断的输入新鲜、过滤好的空气，加大机房内部的气压，由于机房内外的压差， 使机房内的空气通过密闭不严的窗户、门等的缝隙向外泄气，从而达到防尘的效果。 除尘期间谨防静电对电路板的伤害，除尘主要以下几块内容：（1）主板的清洁作为整个设备的基础硬件，主板堆积灰尘最容易引起问题，其也最容易聚集大量灰尘。 首先要取下所有的插接件，拔下设备要进行编号，以防弄混。拆除固定主板的螺丝，取下主 板，用羊毛刷去各部分的积尘。力量一定要始终，以防碰掉主板表面的贴片元件或造成元件 的松动以致虚焊。灰尘过多处可以使用无水酒精进行清洁。对于主板上的测温元件（热敏电 阻）要进行特殊保护，如提前用遮挡物对其进行遮挡，避免这些元件损坏而引发主板出现保 护性故障。主板上的插槽如果回车过多可用皮老虎或吹风机进行清洁，如果出现氧化现象， 可以用具备一定硬度的纸张，插入槽内来回擦拭（表面光滑那面向外）。
（2）插接件的处理插接件表面可以用与清理主板相同的方法清理，插接部分出现氧化现象的，可以用橡皮 仔细把金手指擦干净，插回到主板后，在插槽两侧用热熔胶填避缝隙，防止在使用过程中灰 尘的进入和氧化情况出现。
（3）风扇的清洁风扇的叶片内、外通常积灰也会非常严重，我们可以用手抵住叶片逐一用毛刷掸去叶片 上的积灰，然后用湿布将风扇及风扇框架内侧擦净。还可以在其转轴中加一些润滑油以改善 其性能并降低噪音。具体加油方法是，揭开油挡即可看到风扇转轴，用手转动叶片并向转轴 中滴入少许润滑油使其充分渗透，加油不宜过多否则会吸附更多的灰尘。最后贴上油挡。 散热片的清洁对于风扇与散热片可分离的结构，可以拆下散热片彻底用水清洗，灰尘少 的可以用软毛刷加吹气球的方法清理，对于不可分离的散热片，可以用硬质毛刷清理缝隙中 的灰尘，同时辅以吹风机吹尘。清洗后的散热片一定要彻底干燥后再装回，重新安装散热片 时建议抹上适量导热硅脂增强热传导性。
（4）箱体表面清洁对于机箱内表面上积尘，就可以用拧干的湿布进行擦拭了。注意湿布应尽量干，避免残 留水渍，擦拭完毕应该用电吹风吹干。
（5）外围插头、插座清洁对于这些外围插座，一般先用毛刷清除浮土，再用电吹风清洁。如果有油污，可用脱脂 棉球沾无水酒精去除。也可使用清洁剂，不过清洁剂需为中性，偏酸性会对设备有腐蚀作用。 且清洁剂挥发性一定要好。
（6）电源是非常容易积灰的设备，而且受温度影响严重。拆解电源时一定要注意内部高压，如果 没有一定专业知识，不要私自拆开。如 不 拆 解 ，可 以 用 吹风机强挡对着电源进风口吹出尘土。 并用硬毛刷隔着风扇滤网清洁一下风扇叶片。
（7）其他注意事项某些设备不允许用户自行拆借，否 则 将 失 去 保 修 ，拆 借 前 请 先 联 系设备生产商进行确认；各部件要轻拿轻放，尤其是硬盘，切不可磕碰；上螺丝时应松紧适中，在需要部位垫上绝缘 片；除尘维护结束后重新将硬件装入机箱接上电缆和电源，在不盖机箱的情况下先试运行一 下系统，看一下各风扇运转是否正常，查看是否有插接不牢或异响。
虽然灰尘无法在机房中彻底杜绝，但是保持好的机房环境还是可以大大减少灰尘带来的 麻烦，所以日常的防尘才是重中之重，根据《电子计算机房设计规范》的规定，在静态条件 下测试，每升空气中大于或等于 0.5μｍ的尘粒数，应少于 18000 粒。应当按照这个标准定期 进行检查。
7、机房光线控制
禁止打开窗帘与窗户，机房操作时适当打开照明灯，离开机房时关闭照明灯。
8、楼层承重控制
机房处于多层或高层时，注意楼层承重，切忌将过重的物品集中堆放。
9、维护空间控制
机房设备排放要整齐、合理，布线符合要求，切忌出现脏、乱、差的机房环境。
10、服务器系统、平台维护
服务器（Windows NT）一般既作为单位内部局域网的域控制器，又担负着网上公文处理、 共享资源管理和收发电子邮件等重要任务，做好其日常维护工作具有重要意义。
（1）系统的自动登录；
（2）光盘的自动运行功能；
（3）系统管理员登录方式；
（4）紧急修复盘的制作；
（5）自动关机；
（6）服务器的备份恢复；
（7）平台配置数据备份、恢复；
（8）平台数据库的备份、恢复；
（9）平台访问人员、权限的管理；
（10）平台端口开放检查；
（11）平台登陆日志检查；
9，5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。
