【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(jì)算能力的同時保持較低的功耗和成本。當(dāng)前，強(qiáng)大的智能邊緣計(jì)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(jì)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(jì)算具備驚人的速度和強(qiáng)大的算力，開創(chuàng)了計(jì)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(diǎn)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(shí)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(jī)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(jī)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(jì)算能力的同時保持較低的功耗和成本。當(dāng)前，強(qiáng)大的智能邊緣計(jì)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(jì)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(jì)算具備驚人的速度和強(qiáng)大的算力，開創(chuàng)了計(jì)算性能的新時代。這是因?yàn)橹悄苓吘売?jì)算能夠讓傳感器節(jié)點(diǎn)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(shí)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(shí)。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(shí)現(xiàn)CNN的硬件轉(zhuǎn)換來說明如何實(shí)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(shí)現(xiàn)超低功耗的神經(jīng)網(wǎng)絡(luò)運(yùn)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(hù)。
圖1為MAX78000的框圖，其內(nèi)核為帶浮點(diǎn)運(yùn)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
圖1.MAX78000的結(jié)構(gòu)框圖
傳感器數(shù)據(jù)進(jìn)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(jìn)行調(diào)整，網(wǎng)絡(luò)也可以實(shí)時地通過固件進(jìn)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(yùn)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(xiàng)包含大型矩陣線性方程運(yùn)算的復(fù)雜計(jì)算任務(wù)。Arm Cortex-M4F微控制器的強(qiáng)大能力可以使得CNN推理在嵌入式系統(tǒng)的固件上運(yùn)行。但這種方式也有一些缺點(diǎn)：在微控制器上運(yùn)行基于固件的CNN推理時，計(jì)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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)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(qiáng)大計(jì)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(jì)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(jìn)入房屋。
圖2為該設(shè)計(jì)的示例框圖。在本設(shè)計(jì)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(jī)模式。
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(jìn)行AI開發(fā)的典型過程。首先是對網(wǎng)絡(luò)進(jìn)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(xiàng)目中，該文件包含MAX78000所需的PyTorch模塊和運(yùn)算符。基于此可以進(jìn)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(jìn)行訓(xùn)練、評估和量化。這一步驟會生成一個檢查點(diǎn)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(fèi)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(jī)制來創(chuàng)建應(yīng)用固件。
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(xiàng)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(xiàng)目可以在目標(biāo)硬件上進(jìn)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)。
圖4.MAX78000評估套件
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(yùn)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(shí)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?jiān)L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(shí)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(shí)世界與數(shù)字世界之間架起橋梁，以實(shí)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(cái)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?jiān)L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(yàn)。在業(yè)余時間，他是混沌計(jì)算機(jī)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(jìn)行處理。
推薦閱讀：
提高汽車的功能安全性 掌握ESD實(shí)現(xiàn)無干擾的數(shù)據(jù)傳輸
