CDNN2支援从预先训练网路到嵌入式系统的要求最严苛机器学习网路,其中包括GoogLeNet、VGG、SegNet、Alexnet、RESNET及其他,针对嵌入式系统的网路软体框架可自动支援由TensorFlow产生的网路。
|
CDN2结合CEVA-XM4图像与视觉处理器功能,可为任何具备相机功能的设备提供高能效的深度学习解决方案。 |
针对先进智慧互联设备的全球讯号处理IP授权许可厂商CEVA公司推出针对机器学习的第二代神经网路软体框架CEVA深度神经网路(CDNN2)。
CDNN2可在相机功能装置上即时实现建基于深度学习的视讯分析。跟透过云端系统执行这类分析的方式相比,它可显著减少资料频宽和储存量,同时可减少延迟并提升私密性。再加上有了CEVA-XM4智慧视觉处理器,CDNN2可为实现嵌入式系统机器学习应用的装置提供优异的产品上市时间和功率,包括智慧手机、高级驾驶辅助系统(ADAS)、监控设备、无人机、机器人以及其他具有相机功能的智慧装置。
CDNN2建基于CEVA第一代深度神经网路软体架构(CDNN),后者已经用于多家客户和合作伙伴的设计。 CDNN2增添了对TensorFlow的支援,TensorFlow是Google公司提供的软体库,用于机器学习(machine learning),并可为最复杂或最新的网路拓扑及网路层提供增强的功能和性能。 CDNN2同时支援完全的卷积神经网路(convolutional network),因此不管是任何输入像素都可以在给定的网路上处理。
Google公司的TensorFlow行动与嵌入式团队负责人Pete Warden表示:「我们很高兴看到CEVA开始采用TensorFlow。能效是嵌入式装置能否成功启动深度学习潜力的关键。CEVA的低功率视觉处理器和CDNN2软体框架可协助各式各样的开发人员在产品上采用TensorFlow。」
CDNN2采用了一组增强的API以提升整体系统的性能,其中包括把各种神经网路相关任务从CPU直接卸载到CEVA-XM4。这些增强的功能,加上可自动转换预先训练网路、并无缝地自动连接到CEVA-XM4上执行的按键式(push-button)式功能,确保CDNN2为开发中的嵌入式视觉系统提供显著的上市时间和功率优势。跟建基于CPU或GPU的系统相比,CDNN2充分利用CEVA-XM4图像和视觉DSP处理能力,因而可显著减少功耗和记忆体频宽,而且实现速度更快的网路模型。
嵌入式视觉联盟的创始人Jeff Bier评论表示:「从汽车、无人机到家用电器等,今日有许多类型的系统设计人员都在产品中采用嵌入式视觉解决方案,以提高安全性、自主性和功能性。我非常赞同CEVA公司主张以深度神经网路来达成低成本、低功耗的视觉智慧实现。」
CEVA市场营销及企业发展副总裁Eran Briman评论道:「我们能提升第二代深度神经网路框架的性能,是来自与CEVA-XM4客户及伙伴们累积了丰富合作经验的成果。他们正利用CDNN为广大的终端市场开发并配置深度学习系统,其中包括无人机、ADAS和监测系统。特别是,支援由TensorFlow产生的网路是一个重要的增强功能,确保我们的客户能在下一代的人工智慧产品上利用Google强大的深度学习系统。」
CDNN2主要用于目标物辨识、ADAS、人工智慧、视讯分析、扩增实境(AR)、虚拟实境(VR)和类似的电脑视觉应用。 CDNN2软体架构将以原始程式码的形式提供,从而扩展了CEVA-XM4现有的应用开发人员套件(ADK)以及影像处理函式库CEVA-CV。它灵活性高并采用模组化设计,能够支援完整的CNN实施方案或宽频网路特定层。这些网路包括Alexnet、GoogLeNet、ResidualNet(ResNet)、SegNet、VGG(VGG-19, VGG-16, VGG_S)和NIN网路(Network-in-network)等等。CDNN2可支援最先进的神经网路层,包括卷积层、反卷积层、池化层(pooling)、全连接层、softmax层、序连层(concatenation)和升频层(upsample),此外也支援各式各样的生成模型(inception model)。它支援所有的网路拓扑性质,包括多输入多输出(MOMI)、单级多层结构、完全卷积神经网路,还有线性网路(例如Alexnet)。
CDNN2框架下的一个关键元件是离线CEVA网路产生器(CEVA Network Generator),它以一键式按钮操作,可透过定点运算将预先训练神经网路转换成即时情况下使用,并可轻易嵌入的网路模型。 CDNN2的成果包括建基于硬体的开发套件,让开发人员不仅可以模拟执行他们的网路模型,还能够即时在CEVA提供的开发板上轻松执行。 (编辑部陈复霞整理)