在我之前的博客中，我談到了對(duì)基于 AI 的界面的需求如何變得幾乎不可避免——并且添加一個(gè)基于 AI 的界面（如 face-id）來(lái)授權(quán)對(duì)機(jī)器的訪問(wèn)，乍一看似乎是一個(gè)巨大的飛躍，但實(shí)際上并非如此有你想象的那么困難。有大量可用的 AI 平臺(tái)、大量培訓(xùn)選項(xiàng)甚至開(kāi)源應(yīng)用程序，例如face-id 示例。您可以使用可以在 PC 上運(yùn)行的原型快速啟動(dòng)和測(cè)試。

約束

將訓(xùn)練有素的網(wǎng)絡(luò)遷移到您的嵌入式應(yīng)用程序似乎是另一個(gè)巨大的障礙。PC 或云訓(xùn)練的網(wǎng)絡(luò)并沒(méi)有針對(duì)內(nèi)存使用或功耗進(jìn)行太多優(yōu)化。他們可能會(huì)使用浮點(diǎn)數(shù)或雙字進(jìn)行網(wǎng)絡(luò)計(jì)算，并且在處理圖像上的滑動(dòng)窗口時(shí)會(huì)嚴(yán)重依賴(lài)片外內(nèi)存訪問(wèn)。對(duì)于在插入墻上電源的高性能 PC 上運(yùn)行的原型來(lái)說(shuō)，這不是問(wèn)題，但您需要在最終應(yīng)用程序中更加節(jié)儉，同時(shí)不影響性能。

優(yōu)化的要點(diǎn)

優(yōu)化的一個(gè)關(guān)鍵步驟稱(chēng)為量化。將權(quán)重從浮點(diǎn)切換到定點(diǎn)并減小定點(diǎn)大小，例如從 32 位浮點(diǎn)到 8 位整數(shù)，不僅會(huì)影響權(quán)重的大小，還會(huì)影響中間計(jì)算值。僅此一項(xiàng)就可以顯著減少內(nèi)存占用，在大多數(shù)情況下對(duì)識(shí)別質(zhì)量幾乎沒(méi)有明顯影響。

第二個(gè)操作是利用權(quán)重的稀疏性，對(duì)準(zhǔn)確性的影響最小。這種做法將利用接近零的權(quán)重，并將它們四舍五入為零，同時(shí)密切跟蹤準(zhǔn)確性影響。權(quán)重用于乘以部分和，當(dāng)其中一個(gè)因素為零時(shí)，這是沒(méi)有意義的練習(xí)，因此無(wú)需執(zhí)行操作。

在實(shí)際實(shí)現(xiàn)中，圖像是增量處理的，因此當(dāng)計(jì)算窗口在圖像上移動(dòng)時(shí)必須更新權(quán)重。這可以帶來(lái)很多更新和大量流量。通過(guò)強(qiáng)制大部分權(quán)重為零，可以壓縮權(quán)重?cái)?shù)組，從而可以將所有或大部分?jǐn)?shù)組存儲(chǔ)在片上 SRAM 中，以便按需解壓縮。這反過(guò)來(lái)又最大限度地減少了訪問(wèn)主存儲(chǔ)器的需要，從而提高了性能并降低了功耗。它還偶然減少了加載重量時(shí)的片上流量。更少的流量爭(zhēng)用意味著更高的吞吐量。

還應(yīng)考慮一個(gè)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(lài)于復(fù)雜的庫(kù)。您需要使用專(zhuān)為在微控制器環(huán)境中使用而設(shè)計(jì)的庫(kù)，并將編譯器用于您選擇的平臺(tái)。一個(gè)好的起點(diǎn)可能是開(kāi)源庫(kù)，例如TensorFlow Lite，但要充分利用微控制器，就需要專(zhuān)門(mén)定制的解決方案。

當(dāng)然，知道你必須做什么并不容易。您現(xiàn)在需要找到一個(gè)能夠簡(jiǎn)化這些操作并提供硬件優(yōu)化庫(kù)的平臺(tái)。

我如何使它成為一個(gè)易于使用的流程？

您想要的是一個(gè)流程，您可以在其中使用您在特定平臺(tái)（例如 TensorFlow）上訓(xùn)練的網(wǎng)絡(luò)，并將其直接編譯到您的嵌入式解決方案中——除了撥打一些基本要求外，無(wú)需干預(yù)。當(dāng)然，您還希望該選項(xiàng)能夠進(jìn)一步手動(dòng)優(yōu)化，可能在不同的平面上設(shè)置不同的量化級(jí)別。也許可以嘗試權(quán)重閾值與片上內(nèi)存大小。您需要針對(duì)硬件優(yōu)化的庫(kù)和針對(duì)庫(kù)優(yōu)化的硬件。

CEVA 的CDNN等經(jīng)過(guò)驗(yàn)證的 AI 平臺(tái)旨在提供這種類(lèi)型的流程。CDNN 為量化和運(yùn)行時(shí)任務(wù)生成提供離線處理器工具集，以及為 CEVA DSP 和客戶(hù)用戶(hù)硬件加速器定制的運(yùn)行時(shí)庫(kù)。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。

審核編輯 黃昊宇