24小時聯(lián)系電話:18217114652、13661815404
中文
技術(shù)專題
針對嵌入式應(yīng)用優(yōu)化AI
基于AI的界面的需求-并且添加像face-id這樣的基于AI的界面來授權(quán)對機(jī)器的訪問乍看起來似乎是一個巨大的飛躍，但這并沒有就像您想的那樣困難。有大量可用的AI平臺，大量的培訓(xùn)選項甚至是開源應(yīng)用程序，例如face-id example。使用可以在PC上運(yùn)行的原型，您可以快速啟動并進(jìn)行測試。
約束條件
將訓(xùn)練有素的網(wǎng)絡(luò)遷移到嵌入式應(yīng)用程序似乎是另一個巨大的障礙。受PC或云訓(xùn)練的網(wǎng)絡(luò)在內(nèi)存使用或功耗方面沒有進(jìn)行太多優(yōu)化。他們可能會使用浮點(diǎn)數(shù)或雙字進(jìn)行網(wǎng)絡(luò)計算，并且在處理圖像上的滑動窗口時會嚴(yán)重依賴片外內(nèi)存訪問。對于在插入墻壁電源的高性能PC上運(yùn)行的原型而言，這不是要擔(dān)心的問題，但是您需要在最終應(yīng)用程序中更加節(jié)儉，并且不影響性能。
優(yōu)化的要點(diǎn)
優(yōu)化的一個關(guān)鍵步驟稱為量化。將權(quán)重從浮點(diǎn)切換到固定點(diǎn)并減小固定點(diǎn)大小（例如，從32位浮點(diǎn)更改為8位整數(shù)）不僅會影響權(quán)重的大小，還會影響中間計算值。僅此一項就可以顯著減少內(nèi)存占用，在大多數(shù)情況下，對識別質(zhì)量的影響很小。
第二種操作是在最小的精度影響下利用權(quán)重的稀疏性。這種做法將利用權(quán)重接近零的優(yōu)勢，并將其舍入為零，同時密切關(guān)注準(zhǔn)確性的影響。權(quán)重用于乘以部分和，當(dāng)因素之一為零時，這是無意義的練習(xí)，因此無需執(zhí)行該運(yùn)算。
在實際的實現(xiàn)中，圖像是增量處理的，因此當(dāng)計算窗口在圖像上移動時，權(quán)重必須更新。那會帶來很多更新和大量流量。通過將大部分權(quán)重強(qiáng)制為零，可以壓縮權(quán)重數(shù)組，從而可以將所有或大部分?jǐn)?shù)組存儲在片上SRAM中，以根據(jù)需要進(jìn)行解壓縮。從而最大程度地減少了訪問主存儲器的需求，從而提高了性能并降低了功耗。加載砝碼時，它還附帶減少了片上流量。較少的流量爭用意味著較高的吞吐量。
應(yīng)該考慮另外一個因素。像大多數(shù)復(fù)雜的應(yīng)用程序一樣，神經(jīng)網(wǎng)絡(luò)依賴于復(fù)雜的庫。您需要使用一個設(shè)計用于微控制器環(huán)境的庫，并將其編譯到您選擇的平臺。一個很好的起點(diǎn)可能是一個開源庫，例如TensorFlow Lite，但是為了充分利用微控制器，將需要專用的定制解決方案。
當(dāng)然，知道您必須做什么并不容易。現(xiàn)在，您需要找到一個平臺，以簡化這些操作并提供硬件優(yōu)化的庫。
如何使它易于使用？
您需要的是一個流程，您可以在特定平臺（例如TensorFlow）上使用經(jīng)過培訓(xùn)的網(wǎng)絡(luò)，并將其直接編譯到嵌入式解決方案中，而無需輸入一些基本要求。當(dāng)然，您還希望該選項能夠進(jìn)一步手動優(yōu)化，也許在不同平面中設(shè)置不同的量化級別。也許嘗試權(quán)重閾值與片上存儲器大小的比較。并且您想要針對硬件進(jìn)行優(yōu)化的庫以及針對庫進(jìn)行優(yōu)化的硬件。
經(jīng)過驗證的AI平臺（如CEVA的CDNN）旨在提供這種類型的流程。CDNN提供了用于量化和運(yùn)行時任務(wù)生成的離線處理器工具集，以及為CEVA DSP和客戶用戶的硬件加速器量身定制的運(yùn)行時庫。CEVA的解決方案支持所有流行的AI模型格式，包括TensorFlow Lite，ONNX，Caffe等。