18
AlphaGo 对战柯洁胜了两局，人工智能继去年大败李世石又火了一把，虽然人们针对未来机器人是否会杀死人类的话题争论不休，但是我们也不得不被人工智能的强大所折服，未来它或许会在各个领域超越并替代人类。随着人工智能的发展，无人机、安防监控、手机 / 可穿戴将会更智能化，自动驾驶离上路也更近一步。
但是人工智能背后的强力支撑是大数据分析，对智能要求越高，计算任务越繁重复杂，实时系统面临着一个前所未有的挑战：不仅要快速处理所有数据还要针对下一步工作作出智能的决策，卷积神经网络（CNN）是快速处理海量数据的关键。CNN 的应用领域非常广泛，主要包括图像和模式识别、语音识别、自然语言处理，以及视频分析。随着半导体技术的发展，芯片尺寸更小，高度并行处理器的功耗更低，基于卷积神经网络的计算机视觉解决方案将会发挥巨大作用。
Tensilica Vision C5 DSP：灵活编程，适应未来变化
从 2012 年到 2015 年，3 年间神经网络对计算量的要求增长 16 倍，市面上很多芯片厂家都针对神经网络开发了 SoC，但是 SoC 从开始设计到制造，再到真正使用该 SoC 的产品上市需要经过 2 到 3 年的时间。在这个期间，神经网络的算法和厂商需求一直在变化，SoC 厂商要设计怎样的芯片来适应这期间的变化？产品设计厂商也不愿意采用 3 年前的芯片设计当前的产品，因此芯片需要更高的灵活性。相对于市场上固化的硬件加速器，DSP 更加灵活，更能适应未来的变化，降低设计风险。
近日，Cadence 公司针对车载、监控安防、无人机和移动 / 可穿戴设备应用，推出业界首款独立完整的神经网络处理器—Vision C5 DSP。Cadence 公司 Tensilica 事业部资深市场群总监 Steve Roddy 介绍，“它在不到 1mm2 的芯片面积可以实现 1TMAC／秒的计算能力（吞吐量较目前 Tensilica Vision P6 DSP 提高 4 倍），为深度学习内核提供极高的计算吞吐量；1024 8-bit MAC 或 512 16-bit MAC 确保 8-bit 和 16-bit 精度的出色性能；128 路 8-bit SIMD 或 64 路 16-bit SIMD 的 VLIW SIMD 架构。不同的应用对神经网络的计算量要求不同，这款 DSP 可以支持无人驾驶、智能手机、智能安防等应用。”
图像处理和神经网络加速二者合一
在数据中心，工程师可以用成千上万的 CPU 或 GPU 一起做计算，但是嵌入式设备对功耗和体积有很高的要求，这样做显然不适用。通过上图综合对比，DSP 相对于 CPU、GPU 和硬件加速器在开发易用性、功耗效率、可编程性和计算速度方面都具有诸多优势。
如上图，通过“DSP/CPU/GPU +卷积加速硬件”的模式来进行数据处理时，数据通过 AXI 总线在 CPU/GPU 和硬件加速器之间传输，不仅占用更多资源，而且增加整体功耗。
拿实际应用来解释，基于摄像头的视觉系统在汽车、无人机和安防领域最为常见，这种架构需要两种最基础的视觉优化计算模式。首先，利用传统视觉算法对摄像头捕捉到的照片或图像进行增强；其次，使用基于神经网络的认知算法对物体进行检测和识别。现有的神经网络加速器解决方案皆依赖与图像 DSP 连接的硬件加速器；神经网络代码被分为两部分，一部分网络层运行在 DSP 上，卷积层则运行在硬件加速器上。这种架构不但效率低下，且耗能较高。
Vision C5 DSP 是专门针对神经网络进行了特定优化的 DSP，可以实现全神经网络层的计算（卷积层、全连接层、池化层和归一化层），而不仅仅是卷积层的加速。因此，主视觉／图像 DSP 能力得以释放，独立运行图像增强应用，Vision C5 DSP 则负责执行神经网络任务。通过移除神经网络 DSP 和主视觉／图像 DSP 之间的冗余数据传输，Vision C5 DSP 的功耗远低于现有的神经网络加速器。同时，Vision C5 DSP 还提供针对神经网络的单核编程模型。
Steve Roddy 表示，“由此可见，Vision C5 DSP 是一款灵活前瞻的永不过时解决方案，支持各类内核尺寸、深度和输入规格。Vision C5 DSP 采用多项系数压缩／解压技术，支持未来添加的新计算层。同时，Vision C5 DSP 搭载 Cadence 神经网络 Mapping 工具链，可将 Caffe 和 TensorFlow 等映射为在 Vision C5 DSP 上高度优化过的可执行代码，充分发挥手动优化神经网络库的丰富功能。”
通过 AlphaGo 和柯洁的本场人机大赛，人工智能会更加强大，DSP 的作用也不言而喻，相信基于 Cadence Tensilica Vision C5 DSP 的芯片也会很快面世。
与非网原创报道，不经允许，不得转载！
下载ECAD模型
