FPGA成數(shù)百家嵌入式視覺企業(yè)開發(fā)首選 用于機器學習領域的已超40家

FPGA成數(shù)百家嵌入式視覺企業(yè)開發(fā)首選用于機器學習領域的已超40家越來越多的輔助駕駛、無人機、虛擬現(xiàn)實/增強現(xiàn)實、醫(yī)學診斷、工業(yè)視覺等應用，為了追逐更高性能/差異化，紛紛對機器學習產(chǎn)生濃厚的興趣。已有幾家初創(chuàng)企業(yè)在開發(fā)專門的機器學習芯片，但上述這些應用不僅僅要集成機器學習，還有計算機視覺，傳感器融合和連接。如果要開發(fā)這么一整套獨特的性能組合，可能要花費幾億美元才能推出第一款芯片，而且從各種規(guī)格的確定落實到推出樣片，可能需要三年以上。更別提這三年過程當中還有一個挑戰(zhàn)：那就是神經(jīng)網(wǎng)絡、算法和傳感器等都還是處于不斷演化的過程，一款固定的、標準的設計平臺面對這些風云變幻的演進根本無力招架。此時此刻，F(xiàn)PGA技術成為數(shù)百家嵌入式視覺企業(yè)開發(fā)的首選，其中用于機器學習領域的已經(jīng)超過40家。那么問題來了，面對市場上最熱門的人工智能CPU/GPU芯片，全可編程方案的優(yōu)缺點是什么？產(chǎn)量達到多少以后就不再合適？秒殺對手的性能，是怎么算出來的？賽靈思有一個公開的性能對比：針對ZynqSoC的reVISION堆棧與NvidiaTegraX1進行基準對比，得出下圖這個驚人的數(shù)據(jù)：reVISION堆棧在機器學習方面單位功耗圖像捕獲速度提升6倍，在計算機視覺處理的幀速率提升42倍，時延僅為1/5（以毫秒為單位），這些對實時應用而言都是至關重要的。既然和競爭對手做對比，一定是在相同價格的芯片之上做的一些性能對比。在接到EDN記者的疑問后，賽靈思嵌入式視覺和SDSoC高級產(chǎn)品經(jīng)理NickNi用詳細數(shù)據(jù)解答了此疑問。6倍、42倍和1/5，這幾個數(shù)據(jù)都是基于同一基礎的?！跋駲C器學習的6倍的圖像/秒/瓦是用谷歌來做編程。比如Xilinx我們使用ZU9可以達到370，我們的功率達到7W，我們使用一樣的GoogleNet，我們可以看到Nvidia已經(jīng)在公開他們最好的數(shù)據(jù)，所以我們就用他們這些數(shù)字，所以就算出來6X。”Ni指出。在42倍幀/秒/瓦，則是用最優(yōu)化的這些庫來做比較。在競爭分析中使用英特爾（Altera）的Arria10器件與賽靈思的ZynqUltraScale+MPSoC對比。在進行嵌入式視覺應用計算效率比較時，選擇的器件有可比的DSP密度和器件功耗：·Arria10SoC：SX220、SX270和SX480·ZynqUltraScale+MPSoC：ZU3、ZU7和ZU9器件重點比較能用于包括深度學習和計算機視覺在內(nèi)的眾多應用的通用MACC性能。英特爾的MACC性能基于運用預加法器的算子。但是這種實現(xiàn)方案產(chǎn)生的是乘積項的和，而非單獨的乘積項。因此英特爾的預加法器不適用高效深度學習或計算機視覺運算。在本計算效率分析中，每個器件的功耗使用賽靈思的2016.4版PowerEstimator工具和英特爾的16.0.1版EPEPowerEstimate工具進行估算，并根據(jù)下列假設得出：1.90%DSP占用率2.英特爾器件-速度等級為：2L，最大頻率下供電電壓為0.9V3.賽靈思器件-速度等級為1L，最大頻率下供電電壓為0.72V4.時鐘速率為DSPFmax時邏輯利用率為70%5.時鐘速率為DSP最大頻率的一半時，BlockRAM利用率為90%6.DSP翻轉(zhuǎn)率為12.5%7.功耗特征：“典型功耗”下圖所示的即為深度學習和計算機視覺運算的能效對比。與英特爾的Arria10SoC器件相比，賽靈思器件能讓深度學習和計算機視覺運算的計算效率提高3-7倍。響應速度來源于架構(gòu)響應速度在汽車駕駛中直接影響著安全距離?！?/5時延有不一樣的方法來算，我們的算法是直接用了深度學習/機器學習，因為很多時候如果知道深度學習的話，可以用不一樣的方法來做，你輸入一個圖像進去，反應速度就是這個圖像什么時候能夠出來，我們可以看到5倍的速率差異?！盢i表示?，F(xiàn)在一些硬件的專業(yè)客戶如果他們花費很多的精力或者是時間的投入，他們有可能可以實現(xiàn)只有1/12的時延。響應速度快，其實和賽靈思的架構(gòu)是息息相關的，如下圖所示?！暗湫偷那度胧降腉PU和典型的SoC，他的傳感器的數(shù)據(jù)是需要外部存儲，在處理過程中需要不斷的去訪問外部存儲。但是Zynq能直接獲得數(shù)據(jù)流，直接經(jīng)過傳感器融合處理，再進行決策，響應時間大大縮短。”如何滿足機器學習的這三點訴求？我們從客戶那里看到三方面的需求，賽靈思公司戰(zhàn)略與市場營銷部高級副總裁SteveGlaser表示，“第一，他們希望機器學習的智能性有所提高，同時他們也希望系統(tǒng)能夠?qū)崿F(xiàn)及時的快速響應來應對一切外部事件，比如行人從車前經(jīng)過，比如神經(jīng)網(wǎng)絡或者相關技術的市場變化?！逼浯?，成本要低、功耗要低。他們希望能夠以非常高的效率使用非常先進的算法。最后，他們需要靈活性——因為一切都在不斷的變化：神經(jīng)網(wǎng)絡和算法、傳感器的類型配置和組合等?！拔覀兡軌驇椭蛻魜韮?yōu)化他們的數(shù)據(jù)流，從傳感器到視覺處理，再到機器學習推斷，一直到控制系統(tǒng)。另外我們也通過先預置的硬件，再加上可以編程的軟件，為客戶提供前所未有的靈活性?！盙laser表示，這也就意味著，在不實質(zhì)性改變硬件、包括板和芯片的情況下，客戶就能夠升級優(yōu)化到最新的神經(jīng)網(wǎng)絡、算法以及傳感器的類型配置。reVISION堆棧包含一些基礎的平臺，可以支持算法的開發(fā)，而且它帶有非常符合行業(yè)標準的庫和元素，針對于計算機、視覺以及機器學習都是非常重要的，這些框架包括在機器學習領域的Caffe，以及在計算機視覺領域就是OpenVX。專門的開發(fā)人才與生態(tài)環(huán)境在GPU體系中，有一大群開發(fā)者不斷提供優(yōu)秀的設計，實現(xiàn)良性循環(huán)，例如NVidia推出的運算平臺CUDA，包含了CUDA指令集架構(gòu)（ISA）以及GPU內(nèi)部的并行計算引擎。全可編程方案好是好，可是會的人少。“reVISION可以簡單地實現(xiàn)一個工程，直接把一個Caffe訓練好的神經(jīng)網(wǎng)絡模型部署到Zynq里。Zynq本身已經(jīng)包括了優(yōu)化的硬件，可以滿足神經(jīng)網(wǎng)絡的計算需求。如果需要定制自己的神經(jīng)網(wǎng)絡，只要把Caffe模型輸入到Zynq即可馬上跑起來。從開發(fā)角度講，Zynq特別像CUDA，可以直接釆用GPU或CPU訓練好的神經(jīng)網(wǎng)絡?！爆F(xiàn)在reVISION堆棧有大量符合行業(yè)標準的庫和框架，開發(fā)時間可以大大壓縮，專門針對那些并沒有硬件方面專業(yè)知識的嵌入式軟件或者系統(tǒng)級工程師。傳統(tǒng)的模式中，賽靈思提供芯片以及開發(fā)環(huán)境當中20%的解決方案，剩下的80%要由客戶來完成?！坝辛诉@個reVISION堆棧以后，賽靈思能夠完成解決方案當中80%的工作，剩下的客戶只要完成20%?！盙laser表示。關鍵的一點不能漏：reVISION是免費的，賽靈思說自己只賺芯片錢。成本，多大的量需要尋求替代性方案？最后，人工智能的硬件生態(tài)目前還沒確定，從公司角度出發(fā)，搶占市場先機和獲得成本優(yōu)勢同樣重要。幾年前推出Zynq的時候，其低端的版本大批量應用差不多是15美元以下，現(xiàn)在甚至有了更低端的單核版本，與高端產(chǎn)品4核及7核的異構(gòu)多處理器MPSoC并存，“現(xiàn)在我們有從10美元到幾十美元的組合?！盙laser指出。雖然達不到幾千萬或數(shù)億那么高的量，由于不再是FPGA了，而是混合的SoC，帶有可以編程的邏輯和