作者：Ole Dreessen，ADI公司現場應用工程師

摘要

(資料圖片)

本系列文章由三部分組成，主要探討卷積神經網絡(CNN)的特性和應用。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，本文重點解釋如何使用硬件轉換卷積神經網絡(CNN)，并特別介紹使用帶CNN硬件加速器的人工智能(AI)微控制器在物聯網(IoT)邊緣實現人工智能應用所帶來的好處。系列文章的前兩篇文章為《卷積神經網絡簡介：什么是機器學習？——第一部分》和《訓練卷積神經網絡：什么是機器學習？——第二部分》。

簡介

AI應用通常需要消耗大量能源，并以服務器農場或昂貴的現場可編程門陣列(FPGA)為載體。AI應用的挑戰在于提高計算能力的同時保持較低的功耗和成本。當前，強大的智能邊緣計算正在使AI應用發生巨大轉變。與傳統的基于固件的AI計算相比，以基于硬件的卷積神經網絡加速器為載體的智能邊緣AI計算具備驚人的速度和強大的算力，開創了計算性能的新時代。這是因為智能邊緣計算能夠讓傳感器節點在本地自行決策而不受5G和Wi-Fi網絡數據傳輸速率的限制，為實現之前難以落地的新興技術和應用場景提供了助力。例如，在偏遠地區，傳感器級別的煙霧/火災探測或環境數據分析已成為現實。這些應用支持電池供電，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微控制器實現CNN的硬件轉換來說明如何實現這些功能。

采用超低功耗卷積神經網絡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， 能在資源受限的邊緣設備或物聯網應用中實現超低功耗的神經網絡運算。其應用場景包括目標檢測和分類、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據處理、多傳感器分析以及預測性維護。

圖1為MAX78000的框圖，其內核為帶浮點運算單元的Arm? Cortex?-M4F內核，工作頻率高達100 MHz。為了給應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）復制/粘貼數據。由于RISC-V內核可以對AI加速器所需的

image001.jpg

傳感器數據進行預處理，因而Arm內核在此期間可以處于深度睡眠模式。推理結果也可以通過中斷觸發Arm內核在主應用程序中執行操作，通過無線傳輸傳感器數據或向用戶發送通知。

具備用于執行卷積神經網絡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，這使其有別于標準的微控制器架構。該CNN硬件加速器可以支持完整的CNN模型架構以及所有必需的參數（權重和偏置），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，896 kB用于存儲輸入數據。不僅存儲在SRAM中的模型和參數可以通過固件進行調整，網絡也可以實時地通過固件進行調整。器件支持的模型權重為1位、2位、4位或8位，存儲器支持容納多達350萬個參數。加速器的存儲功能使得微控制器無需在連續的數學運算中每次都要通過總線獲取相關參數——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層的網絡，具體層數取決于池化函數。每層的可編程圖像輸入/輸出大小最多為1024 × 1024像素。

CNN硬件轉換：功耗和推理速度比較

CNN推理是一項包含大型矩陣線性方程運算的復雜計算任務。Arm Cortex-M4F微控制器的強大能力可以使得CNN推理在嵌入式系統的固件上運行。但這種方式也有一些缺點：在微控制器上運行基于固件的CNN推理時，計算命令和相關參數都需要先從存儲器中檢索再被寫回中間結果，這會造成大量功耗和時延。

表1對三種不同解決方案的CNN推理速度和功耗進行了比較。所用的模型基于手寫數字識別訓練集MNIST開發，可對視覺輸入數據中的數字和字母進行分類以獲得準確的輸出結果。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行了測量。

表1.手寫數字識別的CNN推理時間和推理功耗，基于MNIST數據集