您的當前位置:刀塔自走棋信使稀有度->新聞中心
新聞中心

刀塔自走棋糖果在哪里买:掌控人工智能的力量使用萊迪思sensAI快速上手

刀塔自走棋信使稀有度 www.aiwcf.icu 標簽:掌控,人工,人工智能,智能,力量,使用,快速,上手  2019-2-21 9:03:43  預覽次

      人工智能(AI)現在無處不在。這項革命性科技正漸漸滲透到更多領域,影響范圍之廣將遠超出你的想象。不管從事什么營業,每家公司好像都或多或少與AI產生聯系。尤其是現在人們費盡心機將AI運用到自動駕駛汽車、物聯網(IoT)、網絡安全、醫療等諸多領域。企業向導者應當深刻了解如何將AI運用到他們的產品之中,假如率先采用AI獲得成功,遲遲未舉措的后來者將會陷入困境。

本文引用地址://www.esouou.com/eepw.com7843/article/201902/397747.htm

  然而AI應用種類各異,各有千秋。不同的應用領域要求的AI技術也不盡雷同。目前最受關注的應用類別當屬嵌入式視覺。這一領域的AI使用所謂的卷積神經網絡(CNN),試圖模擬人眼的運作體例。在這 篇AI白皮書中網站制作報價,我們重要關諦視覺應用,當然其中很多概念也適用于其他應用。

  目錄

  第一節| 網絡邊緣AI的要求3

  第二節| 推理引擎的選擇5

  第三節| 在萊迪思FPGA中構建推理引擎7

  第四節| 在萊迪思FPGA上構建推理模型8

  第五節| 兩個檢測實例10

  第六節| 小 結13

  網絡邊緣AI的要求

  AI涉及創造一個工作流程的訓練模型。然后該模型在某個應用中對實際世界的情況進行推理。因此,AI應用有兩個重要的生命階段:訓練和推理。

  訓練是在開發過程中完成的,通常在云端進行。推理作為一項持續進行的運動,則是通過部署的設備完 成。由于推理涉及的計算題目會特別很是復雜,目前大部分都是在云端進行。但是做決策的時間通常都十分有限。向云端傳輸數據然后等待云端做出決策特別很是耗時。等到做出決策,可能為時已晚。而在本地做決策則能節省那珍貴的幾秒鐘時間。

  這種實時控制的需求適用于必要快速做出決策的諸多領域。例如人員偵測:

  其他實時在線的應用包括:

  在快速決策這種需求的推動下,目前將推理過程從云端轉移到“網絡邊緣”的訴求非常強烈——即在設備上收集數據然后根據AI決策采取舉措。這將解決云端不可避免的耽誤題目。

  本地推理還有兩個益處。第一個就是隱私安全。數據從云端往返傳輸,以及儲存在云端關鍵詞排名,容易被入侵和盜取。但假如數據從未到達設備以外的地方,出現題目的幾率就小得多。

  另一個益處與網絡帶寬有關。將視頻傳送到云端進行實時處理會占用大量的帶寬。而在本地做決策則能省下這部分帶寬用于其他要求較高的義務。

  此外:

  o 這類設備通常都是使用電池供電——或者,假如是電源直接供電,兩者都有散熱限定,從而給設備的持續使用造成限定。而與云端通訊的設備必要管理自身的功耗的散熱題目。

  o AI模型演化速度極快。在訓練始末,模型的大小會有極大差異,并且在進入開發階段曩昔,可能無法很好地估算所需計算平臺的大小。此外,訓練過程發生的渺小改變就會對整個模型造成龐大影響,增長了變數。所有這些使得網絡邊緣設備硬件大小的估計變得尤為困難。

  o 在為特定設備優化模型的過程中,始終伴隨著權衡。 這意味著模型在不同的設備中可能以不同的體例運行。

  o 最后,網絡邊緣中的設備通常特別很是小。這就限定了所有AI推理設備的大小。

  由此我們總結出以下關于網絡邊緣推理的幾點緊張要求:

  用于網絡邊緣AI推理的引擎必須:

  ? 功耗低

  ? 特別很是天真

  ? 拓展性強

  ? 尺寸小

  萊迪思sensAI能讓你開發出完全具備以上四個特性的推理引擎。它包含了硬件平臺、軟IP、神經網絡編譯器、開發??楹涂⒆試?,能夠助您敏捷開發理想中的設計。

  推理引擎的選擇

  將推理引擎構建到網絡邊緣設備中涉及兩個方面:開發承載模型運行的硬件平臺以及開發模型自己。

  理論上來說,模型可以在很多不同的架構上運行。但若要在網絡邊緣,尤其是在實時在線的應用中運行模型,選擇就變少了,由于要考慮到之前提到的功耗、天真性和擴展性等要求。

  ? MCU - 設計AI模型的最常見做法就是使用處理器,可能是GPU或者DSP,也有可能是微控制器。但是網絡邊緣設備上的處理器可能就連實現簡單的模型也無法處理。如許的設備可能只有低端的微控制器

  (MCU)。而使用較大的處理器可能會違背設備的功耗和成本要求,因此對于此類設備而言,AI好像難以實現。

  這正是低功耗FPGA發揮作用的地方。與加強處理器來處理算法的體例不同,萊迪思的ECP5或UltraPlus FPGA可以作為MCU的協處理器,處理MCU無法解決的復雜義務之余,將功耗保持在要求范圍內。因為這些萊迪思FPGA能夠實現DSP,它們可以提供低端MCU不具備的計算能力。

  圖1:FPGA作為MCU的協處理器

  ? ASICS和ASSP - 對于更為成熟、大批量銷售的AI模型而言,采用ASIC或特定應用標準產品(ASSP)或許是可行之道。但是因為工作負載較大,它們在實時在線的應用中的功耗太大。

  在此情況下,Lattice FPGA可以充當協處理器,處理包括喚醒關鍵字的喚醒運動或粗略識別某些視頻圖像(如識別與人形相似的物體),然后才喚醒ASIC或ASSP,識別更多語音或者確定視頻中的目標確實是一個人(或甚至可以識別特定的人)。

  FPGA處理實時在線的部分,這部分的功耗至關緊張。然而并非所有的FPGA都能勝任這一角色北京人事考試中心,由于絕大多數FPGA功耗仍然太高,而萊迪思ECP5和UltraPlus FPGA則擁有需要的低功耗特征。

  圖2 FPGA作為ASIC/ASSP的協處理器

  ? 單獨運行的FPGA AI引擎 - 最后,低功耗FPGA可以作為單獨運行的、完備的AI引擎。FPGA中的DSP在這里起了關鍵作用。即便網絡邊緣設備沒有其他的計算資源,也可以在不超出功耗、成本或電路板尺寸預算的情況下添加AI功能。此外它們還擁有支撐快速演進算法所需的天真性和可擴展性。

  圖3 單獨使用FPGA的整合解決方案