全球領(lǐng)先的蜂窩通信、多媒體和連接性DSP IP平臺(tái)授權(quán)廠商CEVA公司宣布推出實(shí)時(shí)神經(jīng)網(wǎng)絡(luò)軟件框架CEVA 深層神經(jīng)網(wǎng)絡(luò)（CEVA Deep Neural Network， CDNN），以簡(jiǎn)化低功耗嵌入式系統(tǒng)中的機(jī)器學(xué)習(xí)部署。通過(guò)利用CEVA-XM4 圖像和視覺(jué)DSP的處理能力，CDNN使得嵌入式系統(tǒng)執(zhí)行深層學(xué)習(xí)任務(wù)的速度比基于GPU的領(lǐng)先系統(tǒng)提高3倍，同時(shí)消耗的功率減少30倍，所需存儲(chǔ)帶寬減少15倍 （注）。例如，在28nm工藝下對(duì)每秒 30幀的1080p視頻流運(yùn)行基于深層神經(jīng)網(wǎng)絡(luò)（DNN） 的行人檢測(cè)算法，所需功率低于30mW。
CDNN具備高性能、低功率和低存儲(chǔ)帶寬特性的關(guān)健在于CEVA網(wǎng)絡(luò)生成器（CEVA Network Generator），這個(gè)專(zhuān)有自動(dòng)化技術(shù)能夠?qū)⒖蛻?hù)的網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重轉(zhuǎn)換為用于實(shí)時(shí)的、輕量級(jí)的定制網(wǎng)絡(luò)模型，以實(shí)現(xiàn)可以顯著減少功耗和存儲(chǔ)帶寬的更快速網(wǎng)絡(luò)模型，與原本網(wǎng)絡(luò)相比，其精度退化低于1%。這個(gè)定制嵌入就緒（embedded-ready）網(wǎng)絡(luò)一旦生成，便可使用完全優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）層、軟件庫(kù)和API在CEVA-XM4圖像和視覺(jué)DSP上運(yùn)行。
CEVA公司CEVAnet合作伙伴計(jì)劃的成員企業(yè)Phi Algorithm Solutions已經(jīng)使用CDNN實(shí)現(xiàn)了一個(gè)基于CNN的通用目標(biāo)檢測(cè) （Universal Object Detector）算法，用于CEVA-XM4 DSP?，F(xiàn)在應(yīng)用開(kāi)發(fā)人員和OEM廠商可以把這個(gè)算法用于各種應(yīng)用，包括用于安全的行人檢測(cè)和面部檢測(cè)、先進(jìn)駕駛輔助系統(tǒng)（ADAS）和基于低功耗相機(jī)功能系統(tǒng)的其它嵌入式設(shè)備。
Phi Algorithm Solutions總裁兼共同創(chuàng)始人Steven Hanna表示：“CEVA深層神經(jīng)網(wǎng)絡(luò)框架為我們基于卷積神經(jīng)網(wǎng)絡(luò)的算法提供了從離線訓(xùn)練到實(shí)時(shí)檢測(cè)的快速順暢路徑，使得我們能夠在短短數(shù)天內(nèi)獲得經(jīng)過(guò)優(yōu)化的獨(dú)特目標(biāo)檢測(cè)網(wǎng)絡(luò)實(shí)施方案，并且功耗比其它平臺(tái)顯著降低。CEVA-XM4圖像和視覺(jué)DSP結(jié)合CDNN框架，是嵌入式視覺(jué)設(shè)備的理想選擇，并且為使用深層學(xué)習(xí)技術(shù)的人工智能設(shè)備在未來(lái)數(shù)年的進(jìn)步打穩(wěn)了根基。”
CEVA營(yíng)銷(xiāo)副總裁Eran Briman表示：“至今為止，我們已贏得了20多項(xiàng)設(shè)計(jì)，在嵌入式視覺(jué)處理器領(lǐng)域繼續(xù)領(lǐng)先業(yè)界，并且不斷提升我們的視覺(jué)IP產(chǎn)品組合以幫助客戶(hù)更快地將產(chǎn)品推向市場(chǎng)并且最大限度地降低風(fēng)險(xiǎn)。我們用于CEVA-XM4的新型深層神經(jīng)網(wǎng)絡(luò)框架是嵌入技術(shù)行業(yè)中首個(gè)此類(lèi)產(chǎn)品，為尋求在功率受限的嵌入式系統(tǒng)中實(shí)施可行深層學(xué)習(xí)算法的開(kāi)發(fā)人員實(shí)現(xiàn)了長(zhǎng)足的進(jìn)步。”
CDNN軟件框架以源代碼方式提供，擴(kuò)展了CEVA-XM現(xiàn)有的應(yīng)用開(kāi)發(fā)套件 （ADK） 。它具有靈活和模塊化特性，能夠支持完整的CNN實(shí)施方案或特定層，并且可與各種網(wǎng)絡(luò)和結(jié)構(gòu)共享，比如使用Caffe、Torch或Theano訓(xùn)練框架開(kāi)發(fā)的網(wǎng)絡(luò)，或?qū)Ｓ芯W(wǎng)絡(luò)。CDNN包括用于圖像分類(lèi)、定位和目標(biāo)識(shí)別的實(shí)時(shí)示例模型，用于目標(biāo)和場(chǎng)景識(shí)別、先進(jìn)駕駛輔助系統(tǒng)（ADAS）、人工智能（AI）、視頻分析、增強(qiáng)現(xiàn)實(shí)（AR）、虛擬現(xiàn)實(shí)（VR）和類(lèi)似的計(jì)算機(jī)視覺(jué)應(yīng)用。如要了解更多信息，請(qǐng)?jiān)L問(wèn)公司網(wǎng)頁(yè)官網(wǎng)。
CEVA公司將在11月12日主辦針對(duì)實(shí)施嵌入式系統(tǒng)機(jī)器視覺(jué)應(yīng)用的實(shí)時(shí)網(wǎng)絡(luò)研討會(huì)，包括深入探討CDNN。如要了解更多信息和注冊(cè)參加網(wǎng)絡(luò)研究會(huì)，請(qǐng)?jiān)L問(wèn)官網(wǎng)。
注：比較在最常用的深層神經(jīng)網(wǎng)絡(luò)AlexNet上的運(yùn)行情況0次