Nos campos dos teléfonos móbiles, a monitorización da seguridade, os automóbiles e a realidade aumentada / realidade virtual (AR / VR), todo tipo de aplicacións incrustadas que se están a desenvolver ou planificar implican redes neuronais e as aplicacións de redes neuronais están a explotar. O campo da innovación en redes neuronais é extraordinario, a súa propia arquitectura actualízase constantemente e tamén están xurdindo infinitas redes, novas aplicacións e mercados. Coa profundización e complexidade das aplicacións de rede neuronal, os requisitos para o rendemento da computación aumentan día a día. En menos de 4 anos, os requisitos de computación MAC / trama aumentaron aproximadamente 16 veces (ver Figura 1).
Figura 1 O crecemento dos requisitos de computación MAC / trama
Co desenvolvemento de redes neuronais, a demanda de procesadores de incrustación (en lugar de usar CPUs e GPU) nos dispositivos segue aumentando. Non obstante, a potencia de procesamento e a velocidade de funcionamento da rede non seguiron os requisitos de desenvolvemento de aplicacións de rede neuronal. Este conflito é particularmente evidente no campo das aplicacións de visión. Ata agora, satisfacer as necesidades de aplicacións de rede neuronal só pode contar cos recursos dos centros de datos tradicionais. Non obstante, a medida que a seguridade e a latencia se fan consideracións importantes, cada vez é máis común implementar redes neuronais a través de sistemas integrados para o procesamento de datos en tempo real. Aínda que a maioría da formación en redes neuronais pódese facer fóra de liña, as aplicacións que empreguen redes neuronais deben incorporala no sistema.
En todas as aplicacións integradas, o AR / VR ou a realidade mixta enfróntanse a desafíos únicos. A maioría dos dispositivos dos campos anteriores son dispositivos portátiles como cascos intelixentes, auriculares ou lentes intelixentes. Dependen da enerxía da batería e son unha das consideracións máis importantes á hora de elixir unha solución de rede neuronal para o consumo de enerxía. Outro requisito importante para as aplicacións de AR / VR é reducir a latencia, polo que as redes neuronais deben implementar a inserción do dispositivo. Todos estes dispositivos requiren algún tipo de recoñecemento de imaxes, recoñecemento de xestos, segmentación de cámaras estéreo, detección 3D, seguimento de cabeza, detección de ollos e seguimento de ollos. Hai moitas tecnoloxías de imaxe diferentes, pero co paso do tempo, algunhas destas funcións, como a comprensión do entorno semántico, o recoñecemento de xestos ou o recoñecemento de imaxes, realizaranse a través de redes neuronais. Ademais das redes neuronais de imaxe / visual, estes dispositivos tamén requiren nas redes neuronais de son / audio para recibir comandos de voz.
No contorno tecnolóxico en rápido cambio actual, os fabricantes de equipos AR / VR precisan seleccionar inmediatamente plataformas para que os produtos se comercialicen en 2019, 2020 e incluso máis tarde. Despois da introdución da nova rede neuronal, debido aos continuos cambios na súa arquitectura, non podemos asegurar a eficacia da plataforma de traballo efectiva actual no futuro sistema. Ademais, estas aplicacións tamén requiren unha baixa latencia e un baixo consumo de enerxía, o que tamén é particularmente importante; pero tendo en conta o crecemento continuo dos requirimentos de rede neuronal e o progreso continuo desta tendencia, aínda necesitamos garantir un certo grao de flexibilidade e de futuro.
Actualmente, hai dúas opcións principais para implementar redes neuronais: CPU / GPU ou usar aceleradores de hardware e DSP de imaxe coincidente. Estas dúas opcións poden resolver cada un dos retos aos que se enfrontan os deseñadores; pero ambos teñen algúns compromisos insatisfactorios en termos de facilidade de desenvolvemento, eficiencia de enerxía, latencia, espazo de actualización futuro ou rendemento. O acelerador de hardware e o DSP de imaxe coincidente son unha das opcións dos dispositivos integrados, pero esta combinación é ineficiente e xerará un consumo de enerxía innecesario. Ademais das dificultades de desenvolvemento, o software tamén debe estar particionado entre o DSP e o acelerador. Só a descarga da capa convolutiva aumentará significativamente a carga de transmisión de datos e afectará a eficiencia. Ademais, o hardware está fixado no momento da saída de cinta, polo que estes aceleradores non terán espazo para futuras actualizacións.
As solucións DSP de rede neuronal que satisfagan as necesidades de aplicacións integradas deben cumprir os seguintes requisitos: fáciles de desenvolver, capaces de manexar grandes cantidades de datos, ter espazo para futuras actualizacións, utilizar a enerxía de forma eficiente e minimizar os atrasos.
Solución de cadencia: procesador de sinal dixital (DSP) Tensilica Vision C5
Como solución optimizada para aplicacións de sensores de visión e fusión, Cadence Tensilica Vision C5 DSP é o primeiro DSP da industria dedicado ao procesamento de redes neuronais e adecuado para a arquitectura de múltiples procesadores. Esta solución consegue unha velocidade sen precedentes e un baixo consumo de enerxía e cumpre todos os requisitos da tecnoloxía de rede neuronal de gama alta.
A solución baséase en case 20 anos de experiencia en multiprocesador Xtensa, con funcións como a compartición de estruturas de memoria, as interrupcións permitidas, as colas sincronizadas e a depuración sincronizada de varios procesadores. Vision C5 DSP pode realizar a aceleración do cálculo de todas as capas de rede neuronal (capa convolutiva, capa completamente conectada, capa de agrupación e capa de normalización), non só a función de capa convolutiva. Polo tanto, libérase a capacidade do procesador de visión principal DSP para executar aplicacións de mellora de imaxe de forma independente; mentres que o Vision C5 DSP executa tarefas de inferencia. Ao eliminar a transmisión de datos redundante do acelerador de hardware, o consumo de enerxía do Vision C5 DSP é moito menor que o do acelerador de rede neuronal existente.
Vision C5 DSP ten unha potencia de cálculo de 1 TMAC / seg, que pode satisfacer os requisitos de computación cada vez maiores das redes neuronais; tamén ten cálculos precisos, ten unha arquitectura de deseño multi-core e admite solucións integradas multi-TMAC. Vision C5 DSP está dirixido a aplicacións que adoitan executar varias redes neuronais. Debido ás súas características programables, a solución ten espazo para futuras actualizacións e pode soportar novas capas a medida que cambie o deseño.
O sistema de procesamento de visión debe ser deseñado de forma integral, aplicable a todas as plataformas e desenvolver simultaneamente hardware e software. Para desenvolver esta tecnoloxía, os deseñadores deben usar ferramentas e IP que admitan algoritmos eficientes e a plataforma de hardware utilizada tamén debe cumprir os custos obxectivos e os requisitos de consumo de enerxía de cada aplicación. Desde a perspectiva do sistema, Cadence pode apoiar aos deseñadores de dispositivos de visión incrustados para desenvolver produtos transformadores o máis rápido e eficiente posible.
Noso outro produto:
