你的位置:首頁 > 互連技術(shù) > 正文

卷積神經(jīng)網(wǎng)絡(luò)的硬件轉(zhuǎn)換:什么是機器學(xué)習(xí)?——第三部分

發(fā)布時間:2023-06-14 來源:Ole Dreessen,現(xiàn)場應(yīng)用工程師 責(zé)任編輯:lina

【導(dǎo)讀】AI應(yīng)用通常需要消耗大量能源,并以服務(wù)器農(nóng)場或昂貴的現(xiàn)場可編程門陣列(FPGA)為載體。AI應(yīng)用的挑戰(zhàn)在于提高計算能力的同時保持較低的功耗和成本。當(dāng)前,強大的智能邊緣計算正在使AI應(yīng)用發(fā)生巨大轉(zhuǎn)變。與傳統(tǒng)的基于固件的AI計算相比,以基于硬件的卷積神經(jīng)網(wǎng)絡(luò)加速器為載體的智能邊緣AI計算具備驚人的速度和強大的算力,開創(chuàng)了計算性能的新時代。


摘要

本系列文章由三部分組成,主要探討卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特性和應(yīng)用。CNN主要用于模式識別和對象分類。作為系列文章的第三部分,本文重點解釋如何使用硬件轉(zhuǎn)換卷積神經(jīng)網(wǎng)絡(luò)(CNN),并特別介紹使用帶CNN硬件加速器的人工智能(AI)微控制器在物聯(lián)網(wǎng)(IoT)邊緣實現(xiàn)人工智能應(yīng)用所帶來的好處。系列文章的前兩篇文章為《卷積神經(jīng)網(wǎng)絡(luò)簡介:什么是機器學(xué)習(xí)?——第一部分》和《訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò):什么是機器學(xué)習(xí)?——第二部分》。

簡介

AI應(yīng)用通常需要消耗大量能源,并以服務(wù)器農(nóng)場或昂貴的現(xiàn)場可編程門陣列(FPGA)為載體。AI應(yīng)用的挑戰(zhàn)在于提高計算能力的同時保持較低的功耗和成本。當(dāng)前,強大的智能邊緣計算正在使AI應(yīng)用發(fā)生巨大轉(zhuǎn)變。與傳統(tǒng)的基于固件的AI計算相比,以基于硬件的卷積神經(jīng)網(wǎng)絡(luò)加速器為載體的智能邊緣AI計算具備驚人的速度和強大的算力,開創(chuàng)了計算性能的新時代。這是因為智能邊緣計算能夠讓傳感器節(jié)點在本地自行決策而不受5G和Wi-Fi網(wǎng)絡(luò)數(shù)據(jù)傳輸速率的限制,為實現(xiàn)之前難以落地的新興技術(shù)和應(yīng)用場景提供了助力。例如,在偏遠(yuǎn)地區(qū),傳感器級別的煙霧/火災(zāi)探測或環(huán)境數(shù)據(jù)分析已成為現(xiàn)實。這些應(yīng)用支持電池供電,能夠工作很多年的時間。本文通過探討如何采用帶專用CNN加速器的AI微控制器實現(xiàn)CNN的硬件轉(zhuǎn)換來說明如何實現(xiàn)這些功能。

采用超低功耗卷積神經(jīng)網(wǎng)絡(luò)加速器的人工智能微控制器

MAX78000是一款有超低功耗CNN加速器的AI微控制器片上系統(tǒng), 能在資源受限的邊緣設(shè)備或物聯(lián)網(wǎng)應(yīng)用中實現(xiàn)超低功耗的神經(jīng)網(wǎng)絡(luò)運算。其應(yīng)用場景包括目標(biāo)檢測和分類、音頻處理、聲音分類、噪聲消除、面部識別、基于心率等健康體征分析的時間序列數(shù)據(jù)處理、多傳感器分析以及預(yù)測性維護。

圖1為MAX78000的框圖,其內(nèi)核為帶浮點運算單元的Arm? Cortex?-M4F內(nèi)核,工作頻率高達(dá)100 MHz。為了給應(yīng)用提供足夠的存儲資源,MAX78000還配備了512 kB的閃存和128 kB的SRAM。該器件提供多個外部接口,例如I2C、SPI、UART,以及用于音頻的I2S。此外,器件還集成了60 MHz的RISC-V內(nèi)核,可以作為一個智能的直接存儲器訪問(DMA)引擎從/向各個外圍模塊和存儲(包括閃存和SRAM)復(fù)制/粘貼數(shù)據(jù)。由于RISC-V內(nèi)核可以對AI加速器所需的


卷積神經(jīng)網(wǎng)絡(luò)的硬件轉(zhuǎn)換:什么是機器學(xué)習(xí)?——第三部分
圖1.MAX78000的結(jié)構(gòu)框圖


傳感器數(shù)據(jù)進行預(yù)處理,因而Arm內(nèi)核在此期間可以處于深度睡眠模式。推理結(jié)果也可以通過中斷觸發(fā)Arm內(nèi)核在主應(yīng)用程序中執(zhí)行操作,通過無線傳輸傳感器數(shù)據(jù)或向用戶發(fā)送通知。

具備用于執(zhí)行卷積神經(jīng)網(wǎng)絡(luò)推理的專用硬件加速器單元是MAX7800x系列微控制器的一個顯著特征,這使其有別于標(biāo)準(zhǔn)的微控制器架構(gòu)。該CNN硬件加速器可以支持完整的CNN模型架構(gòu)以及所有必需的參數(shù)(權(quán)重和偏置),配備了64個并行處理器和一個集成存儲器。集成存儲器中的442 kB用于存儲參數(shù),896 kB用于存儲輸入數(shù)據(jù)。不僅存儲在SRAM中的模型和參數(shù)可以通過固件進行調(diào)整,網(wǎng)絡(luò)也可以實時地通過固件進行調(diào)整。器件支持的模型權(quán)重為1位、2位、4位或8位,存儲器支持容納多達(dá)350萬個參數(shù)。加速器的存儲功能使得微控制器無需在連續(xù)的數(shù)學(xué)運算中每次都要通過總線獲取相關(guān)參數(shù)——這樣的方式通常伴有高延遲和高功耗,代價高昂。CNN加速器可以支持32層或64層的網(wǎng)絡(luò),具體層數(shù)取決于池化函數(shù)。每層的可編程圖像輸入/輸出大小最多為1024 × 1024像素。

CNN硬件轉(zhuǎn)換:功耗和推理速度比較

CNN推理是一項包含大型矩陣線性方程運算的復(fù)雜計算任務(wù)。Arm Cortex-M4F微控制器的強大能力可以使得CNN推理在嵌入式系統(tǒng)的固件上運行。但這種方式也有一些缺點:在微控制器上運行基于固件的CNN推理時,計算命令和相關(guān)參數(shù)都需要先從存儲器中檢索再被寫回中間結(jié)果,這會造成大量功耗和時延。

表1對三種不同解決方案的CNN推理速度和功耗進行了比較。所用的模型基于手寫數(shù)字識別訓(xùn)練集MNIST開發(fā),可對視覺輸入數(shù)據(jù)中的數(shù)字和字母進行分類以獲得準(zhǔn)確的輸出結(jié)果。為確定功耗和速度的差異,本文對三種解決方案所需的推理時間進行了測量。


表1.手寫數(shù)字識別的CNN推理時間和推理功耗,基于MNIST數(shù)據(jù)集



方案

推理速度(ms)

每次推理功耗(μWs)

 (1) MAX32630,MNIST網(wǎng)絡(luò)部署在固件中

574

22887

 (2) MAX78000,MNIST網(wǎng)絡(luò)部署在硬件中

1.42

20.7

 (3) MAX78000,MNIST網(wǎng)絡(luò)部署在硬件中且優(yōu)化了低功耗性能

0.36

1.1


方案一使用集成Arm Cortex-M4F處理器的MAX32630進行推理,其工作頻率為96 MHz。方案二使用MAX78000的CNN硬件加速器進行推理,其推理速度(即數(shù)據(jù)輸入與結(jié)果輸出之間的時間)比方案一加快了400倍,每次推理所需的能量也僅為方案一的1/1100。方案三對MNIST網(wǎng)絡(luò)進行了低功耗優(yōu)化,從而最大限度地降低了每次推理的功耗。雖然方案三推理結(jié)果的準(zhǔn)確性從99.6%下降到了95.6%,但其速度快了很多,每次推理只需0.36 ms,推理功耗降也低至僅1.1 μW。兩節(jié)AA堿性電池(總共6 Wh能量)可以支持應(yīng)用進行500萬次的推理(忽略系統(tǒng)其它部分的功耗)。

這些數(shù)據(jù)說明了硬件加速器的強大計算能力可以大大助益無法利用或連接到連續(xù)電源的應(yīng)用場景。MAX78000就是這樣一款產(chǎn)品,它支持邊緣AI處理,無需大量功耗和網(wǎng)絡(luò)連接,也無需冗長的推理時間。

MAX78000 AI微控制器的使用示例

MAX78000支持多種應(yīng)用,下面本文圍繞部分用例展開討論。其中一個用例是設(shè)計一個電池供電的攝像頭,需要能檢測到視野中是否有貓出現(xiàn),并能夠通過數(shù)字輸出打開貓門允許貓進入房屋。

圖2為該設(shè)計的示例框圖。在本設(shè)計中,RISC-V內(nèi)核會定期開啟圖像傳感器并將圖像數(shù)據(jù)加載到MAX78000的CNN加速器中。如果系統(tǒng)判斷貓出現(xiàn)的概率高于預(yù)設(shè)的閾值,則打開貓門然后回到待機模式。


卷積神經(jīng)網(wǎng)絡(luò)的硬件轉(zhuǎn)換:什么是機器學(xué)習(xí)?——第三部分
圖2.智能寵物門框圖


開發(fā)環(huán)境和評估套件

邊緣人工智能應(yīng)用的開發(fā)過程可分為以下幾個階段:

第一階段:AI——網(wǎng)絡(luò)的定義、訓(xùn)練和量化

第二階段:Arm固件——將第一階段生成的網(wǎng)絡(luò)和參數(shù)導(dǎo)入C/C++應(yīng)用程序,創(chuàng)建并測試固件

開發(fā)過程的第一階段涉及建模、訓(xùn)練和評估AI模型等環(huán)節(jié)。此階段開發(fā)人員可以利用開源工具,例如PyTorch 和TensorFlow。MAX78000的GitHub網(wǎng)頁也提供全面的資源幫助用戶在考慮其硬件規(guī)格的同時使用PyTorch構(gòu)建和訓(xùn)練AI網(wǎng)絡(luò)。網(wǎng)頁也提供一些簡單的AI網(wǎng)絡(luò)和應(yīng)用,例如面部識別(Face ID),供用戶參考。

圖3顯示了采用PyTorch進行AI開發(fā)的典型過程。首先是對網(wǎng)絡(luò)進行建模。必須注意的是,MAX7800x微控制器并非都配置了支持所有PyTorch數(shù)據(jù)操作的相關(guān)硬件。因此,必須首先將ADI公司提供的ai8x.py文件包含在項目中,該文件包含MAX78000所需的PyTorch模塊和運算符?;诖丝梢赃M入下一步驟構(gòu)建網(wǎng)絡(luò),使用訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練、評估和量化。這一步驟會生成一個檢查點文件,其中包含用于最終綜合過程的輸入數(shù)據(jù)。最后一步是將網(wǎng)絡(luò)及其參數(shù)轉(zhuǎn)換為適合CNN硬件加速器的形式。值得注意的是,雖然任何PC(筆記本、服務(wù)器等)都可用于訓(xùn)練網(wǎng)絡(luò),但如果沒有CUDA顯卡,訓(xùn)練網(wǎng)絡(luò)可能會花費很長的時間——即使對于小型網(wǎng)絡(luò)來說也有可能需要幾天甚至幾周的時間。

開發(fā)過程的第二階段是通過將數(shù)據(jù)寫入CNN加速器并讀取結(jié)果的機制來創(chuàng)建應(yīng)用固件。


卷積神經(jīng)網(wǎng)絡(luò)的硬件轉(zhuǎn)換:什么是機器學(xué)習(xí)?——第三部分
圖3.AI開發(fā)過程


第一階段創(chuàng)建的文件通過#include指令集成到C/C++項目中。微控制器的開發(fā)環(huán)境可使用Eclipse IDE和GNU工具鏈等開源工具。ADI公司提供的軟件開發(fā)套件(Maxim Micros SDK (Windows))也已經(jīng)包含了所有開發(fā)必需的組件和配置,包括外設(shè)驅(qū)動以及示例說明,幫助用戶簡化應(yīng)用開發(fā)過程。

成功通過編譯和鏈接的項目可以在目標(biāo)硬件上進行評估。ADI開發(fā)了兩種不同的硬件平臺可供選用:圖4為MAX78000EVKIT,圖5為MAX78000FTHR,一個稍小的評估板。每個評估板都配有一個VGA攝像頭和一個麥克風(fēng)。


卷積神經(jīng)網(wǎng)絡(luò)的硬件轉(zhuǎn)換:什么是機器學(xué)習(xí)?——第三部分
圖4.MAX78000評估套件

卷積神經(jīng)網(wǎng)絡(luò)的硬件轉(zhuǎn)換:什么是機器學(xué)習(xí)?——第三部分
圖5.MAX78000FTHR評估套件


結(jié)論

以前,AI應(yīng)用必須以昂貴的服務(wù)器農(nóng)場或FPGA為載體,并消耗大量能源?,F(xiàn)在,借助帶專用CNN加速器的MAX78000系列微控制器,AI應(yīng)用依靠單組電池供電就可以長時間運行。MAX78000系列微控制器在能效和功耗方面的性能突破大大降低了邊緣AI的實現(xiàn)難度,使得新型邊緣AI應(yīng)用的驚人潛力得以釋放。欲了解更多信息,請訪問超低功耗人工智能(AI) MCU。

參考資料

“研討會2 - 邊緣人工智能:Maxim Integrated MAX78000 AI加速器的實踐介紹”。ADI公司。
視頻系列:了解人工智能。ADI公司。
PyTorch徽標(biāo)經(jīng)知識共享 版權(quán)歸屬-相同方式共享 4.0 國際 公共許可證許可使用。

關(guān)于ADI公司

Analog Devices, Inc. (NASDAQ: ADI)是全球領(lǐng)先的半導(dǎo)體公司,致力于在現(xiàn)實世界與數(shù)字世界之間架起橋梁,以實現(xiàn)智能邊緣領(lǐng)域的突破性創(chuàng)新。ADI提供結(jié)合模擬、數(shù)字和軟件技術(shù)的解決方案,推動數(shù)字化工廠、汽車和數(shù)字醫(yī)療等領(lǐng)域的持續(xù)發(fā)展,應(yīng)對氣候變化挑戰(zhàn),并建立人與世界萬物的可靠互聯(lián)。ADI公司2022財年收入超過120億美元,全球員工2.4萬余人。攜手全球12.5萬家客戶,ADI助力創(chuàng)新者不斷超越一切可能。更多信息,請訪問www.analog.com/cn。

關(guān)于作者

Ole Dreessen是ADI公司的現(xiàn)場應(yīng)用工程師,于2014年加入ADI公司,此前曾在Avnet Memec和Macnica任職,負(fù)責(zé)支持通信產(chǎn)品和高性能微處理器。Ole在微控制器和安全方面擁有廣泛的專業(yè)知識,擁有豐富的會議主講經(jīng)驗。在業(yè)余時間,他是混沌計算機俱樂部的活躍成員,主要研究逆向工程和嵌入式安全等概念。

(作者:Ole Dreessen,現(xiàn)場應(yīng)用工程師)


免責(zé)聲明:本文為轉(zhuǎn)載文章,轉(zhuǎn)載此文目的在于傳遞更多信息,版權(quán)歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權(quán)問題,請聯(lián)系小編進行處理。


推薦閱讀:

“1加1大于4”的電路保護設(shè)計

不同的雙電源配置方案

分壓器和分流器:它們是什么以及它們的作用

線邊緣粗糙度(LER)如何影響先進LER的性能?

提高汽車的功能安全性 掌握ESD實現(xiàn)無干擾的數(shù)據(jù)傳輸



特別推薦
技術(shù)文章更多>>
技術(shù)白皮書下載更多>>
熱門搜索
?

關(guān)閉

?

關(guān)閉