物聯(lián)網(wǎng)端點位于嵌入式視覺的前沿。而且，與其他前沿領(lǐng)域一樣，也存在挑戰(zhàn)，其中最重要的是電源效率。

機器視覺已經(jīng)迅速在世界上找到了自己的位置。從樹上看到和摘下橙子。注視檢測針對危險的無意識駕駛員。在工廠車間內(nèi)移動的工業(yè)機器人依靠它進行安全的障礙物檢測。

物聯(lián)網(wǎng)端點位于嵌入式視覺的前沿。而且，與其他前沿領(lǐng)域一樣，也存在挑戰(zhàn)，其中最重要的是電源效率。是否可以在不超出節(jié)點功率容量的情況下在極端邊緣進行推理？

這個問題值得考慮。這是因為在邊緣進行推理可以避免不分青紅皂白地將數(shù)據(jù)（其中只有一部分是可操作的）傳輸?shù)皆七M行分析。這樣可以降低存儲成本。此外，訪問云會損害延遲并抑制實時功能。傳輸數(shù)據(jù)是易受攻擊的數(shù)據(jù)，因此最好進行端點處理。這對于降低支付給網(wǎng)絡(luò)運營商的成本也是有利的。

全新的 SoC 架構(gòu)方法

然而，對于所有這些好處，一個主要的絆腳石已經(jīng)存在。使用傳統(tǒng)微控制器的設(shè)備的功耗限制阻礙了神經(jīng)網(wǎng)絡(luò)在極端邊緣的推理。

傳統(tǒng)的微控制器（MCU）性能無法滿足周期密集型操作。方法喚醒解決方案可能依賴于機器視覺進行對象分類，這反過來又需要卷積神經(jīng)網(wǎng)絡(luò) （CNN） 執(zhí)行矩陣乘法運算，這些運算轉(zhuǎn)化為數(shù)百萬乘法累加 （MAC） 計算（圖 1）。

圖1.到目前為止，微控制器不具備承擔(dān)大容量乘法累加（MAC）的效率的問題一直是一個絆腳石。

MCU存在各種各樣的神經(jīng)網(wǎng)絡(luò)。但是，這些未能作為生產(chǎn)就緒型解決方案流行起來，因為所需的性能無法超越電源障礙。

克服功耗-性能困境是為什么采用全新方法處理處理器角色和 SoC 架構(gòu)的解決方案是有意義的。采用這種新方法需要了解 IoT 終結(jié)點需要處理三個工作負(fù)載才能成功推理。一個是程序性的，一個是數(shù)字信號處理，一個是執(zhí)行大量MAC操作的。滿足每個工作負(fù)載獨特需求的一種方法是在 SoC 中組合一個用于信號處理和機器學(xué)習(xí)的雙 MAC 16 位 DSP，以及一個用于程序負(fù)載的 Arm Cortex-M CPU。

這種混合多核架構(gòu)充分利用了 DSP 雙存儲器組、零環(huán)路開銷和復(fù)雜地址生成。有了它，可以處理工作負(fù)載的任何組合：例如，網(wǎng)絡(luò)堆棧、RTOS、數(shù)字濾波器、時頻轉(zhuǎn)換、RNN、CNN 以及傳統(tǒng)的類似人工智能的搜索、決策樹和線性回歸。圖 2 顯示了當(dāng) DSP 架構(gòu)優(yōu)勢發(fā)揮作用時，神經(jīng)網(wǎng)絡(luò)計算性能如何提高 2 倍甚至 3 倍。

圖2.矩陣乘法 （NxN） 基準(zhǔn)測試。

僅靠架構(gòu)更改是不夠的

無論是對于嵌入式視覺系統(tǒng)還是依賴于顯著提高神經(jīng)網(wǎng)絡(luò)效率的任何其他系統(tǒng)，實施混合多核架構(gòu)都很重要。但是，當(dāng)目標(biāo)是將功耗降至mW范圍時，必須做更多的工作。認(rèn)識到這一需求，Eta Compute獲得了連續(xù)電壓和頻率縮放（CVFS）的專利。

CVFS克服了動態(tài)電壓頻率調(diào)節(jié)（DVFS）遇到的問題。DVFS確實利用了降低功耗的選項，即降低電壓。缺點是行使此選項時最大頻率會降低。這個問題將DVFS的有效性鎖定在一個狹窄的范圍內(nèi) - 一個由嚴(yán)格限制數(shù)量的預(yù)定義離散電壓電平定義并限制在幾百mV的電壓范圍內(nèi)。

相比之下，為了在最有效的電壓下實現(xiàn)一致的SoC操作，CVFS使用自定時邏輯。通過自定時邏輯，每個器件都可以連續(xù)自動調(diào)整電壓和頻率。CVFS比DVFS更有效，也比亞閾值設(shè)計更容易實施，CVFS在另一個重要方面也與這些不同。關(guān)鍵區(qū)別在于，上面提到的混合多核架構(gòu)使CVFS已經(jīng)做的好事成倍增加。

處于最前沿的生產(chǎn)級

最邊緣的終結(jié)點（例如用于人員檢測的終結(jié)點）具有特定需求。雖然已發(fā)布的神經(jīng)網(wǎng)絡(luò)可供任何人用于這些物聯(lián)網(wǎng)端點，但它們并沒有優(yōu)先針對這些需求。使用領(lǐng)先的設(shè)計技術(shù)優(yōu)化這些網(wǎng)絡(luò)可以解決這個問題。

除了使用先進的設(shè)計方法外，我們在 Eta Compute 采用的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法以生產(chǎn)級神經(jīng)傳感器處理器 ECM3532 為中心（圖 3）。它融合了混合多核架構(gòu)和 CVFS 技術(shù)的所有優(yōu)勢。

圖3.Eta Compute ECM3532神經(jīng)傳感器處理器的混合多核架構(gòu)將Arm Cortex-M3處理器、恩智浦CoolFlux DSP、512KB閃存、352KBSRAM和支持外設(shè)集成在SoC中，可實現(xiàn)mW范圍內(nèi)最邊緣的推理。

獲得的知識

如圖4所示的測試結(jié)果顯示，為了將深度學(xué)習(xí)引入嵌入式視覺系統(tǒng)，電力成本不必上升到不可接受的水平。雖然沒有一根魔杖可以為高功耗的神經(jīng)網(wǎng)絡(luò)供電，但將MCU功耗效率和DSP優(yōu)勢與網(wǎng)絡(luò)優(yōu)化相結(jié)合的方法可以幫助應(yīng)用避免僅依賴云計算導(dǎo)致的安全性、延遲和低效率問題。

圖4.在對人員檢測模型的測試中，包括相機在內(nèi)的平均系統(tǒng)功耗為5.6mW。對于此測試，速率為每秒 1.3 個審核編輯：郭婷