目前深度学习模型部署到嵌入式上有什么难点？为什么深度学习算法总要部署到嵌入式上进行验证？

深度学习模型部署到嵌入式设备上的主要难点包括：

1. 计算资源受限：嵌入式设备的计算能力有限，无法直接运行大型深度学习模型，需要对模型进行压缩和优化。

2. 存储资源受限：嵌入式设备的存储容量也有限，无法存储大型深度学习模型和数据集，需要使用压缩和量化技术。

3. 系统限制：嵌入式设备通常使用嵌入式操作系统，与桌面操作系统和服务器操作系统有所不同，需要针对特定的嵌入式系统进行适配。

4. 实时性要求高：嵌入式设备通常需要实时响应，对模型的推理速度和准确度有较高的要求。

深度学习算法需要部署到嵌入式设备上进行验证的原因主要有以下几点：

1. 实际场景验证：深度学习算法在实际场景中的表现与在计算机上的表现可能存在差异，需要在嵌入式设备上进行验证。

2. 硬件适配：嵌入式设备通常使用特定的硬件，需要对深度学习算法进行适配和优化。

3. 数据采集：嵌入式设备通常需要采集实时数据进行处理，需要对深度学习算法进行实时优化和验证。

4. 隐私保护：某些场景下需要对数据进行本地处理，而不是将数据上传到云端进行处理。在这种情况下，需要将深度学习算法部署到嵌入式设备上进行本地处理。