芯耀
1170
近日，AI Benchmark發(fā)布了最新Mobile SoCs推理測試結(jié)果。在這份備受AI圈關(guān)注的“戰(zhàn)報”中，紫光展銳5G芯片T770取得了86.2K的不俗成績。
AI Benchmark是全球權(quán)威AI性能評測平臺，由蘇黎世聯(lián)邦理工學(xué)院計算機視覺實驗室出品。這個實驗室由計算機視覺領(lǐng)域著名學(xué)者Luc Van Gool, 醫(yī)療影像教授Ender Konukoglu，以及計算機視覺及系統(tǒng)教授Fisher Yu的研究組組成，是整個歐洲乃至世界最頂尖的CV/ML研究機構(gòu)之一。
AI Benchmark涵蓋了26組測試，共計78個測試子項，包括了目標識別、目標分類、人臉識別、光學(xué)字符識別、圖像超分，圖像增強、語義分割、語義增強等AI場景，從CPU、AI加速器對INT8和FP16模型的推理速度、準確性、初始化時間等數(shù)據(jù)全方位衡量平臺/設(shè)備的AI能力。因此，AI Benchmark可以從比較客觀的角度評估芯片的AI 性能。
在12個維度的測試里，共計102個測試數(shù)據(jù)，T770有超過59.8%的數(shù)據(jù)超過競品。
具體表現(xiàn)在圖片分類、并發(fā)場景 (量化模型)、目標檢測、文字識別、語義分割、圖像超分、圖像分割、深度估計、圖像增強、視頻超分、自動文本生成等場景 。
接下來，讓我們從幾個關(guān)鍵的測試維度看下T770 AI性能的具體表現(xiàn)：
逐項拆解之MobileNet
首先來看較為經(jīng)典的MobileNet神經(jīng)網(wǎng)絡(luò)維度。這里稍微提一下MobileNet的由來：谷歌在2017年提出了專注于移動端或者嵌入式設(shè)備中的輕量級CNN網(wǎng)絡(luò)，其最大的創(chuàng)新點是提出了深度可分離卷積。mobileNet-V2是對mobileNet-V1的改進，是一種輕量級的神經(jīng)網(wǎng)絡(luò)。mobileNet-V2保留了V1版本的深度可分離卷積，增加了線性瓶頸（Linear Bottleneck）和倒殘差（Inverted Residual），而MobileNet-V3是谷歌基于MobileNet-V2之后的又一項力作，在精度和時間上均有提高。MobileNet-V3做了哪些修改呢？它引入了SE結(jié)構(gòu)、修改了尾部結(jié)構(gòu)和channel的數(shù)量，做了非線性變換的改變。MobileNet-V3提供了兩個版本，一個是mobileNet-V3 Large，也就是AI Benchmark這次測試用的版本，另一個是MobileNet-V3 Small版本，分別對應(yīng)了對計算和存儲要求高與低的版本。
AI-Benchmark主要選取了V2和V3 Large兩個版本進行測試。下圖這個數(shù)據(jù)柱狀圖表達的是什么意思呢？這里包含了CPU、AI加速器分別對于量化和浮點模型的處理表現(xiàn)，主要從推理速度和準確性兩個維度去評估平臺/設(shè)備的AI能力，時間單位是毫秒。
灰色的柱形圖代表競品，紫色的代表T770。可以看到，在mobileNet-V2維度，T770在CPU量化、CPU浮點、加速器量化的處理上基本是優(yōu)于競品的。加速器浮點上略有差距，在mobileNet-V3 Large維度，T770在CPU量化、CPU浮點、加速器浮點的處理上是優(yōu)于競品的，加速器量化上略有差距，兩者數(shù)據(jù)各有千秋，從MobileNet神經(jīng)網(wǎng)絡(luò)整體維度，T770優(yōu)于競品。
?
逐項拆解之Inception-V3
Inception-V3 架構(gòu)的主要思想是 factorized convolutions (分解卷積) 和 aggressive regularization (激進的正則化)?？梢钥吹?，在精度基本一致的情況下，在CPU浮點、加速器量化這兩個關(guān)鍵維度上，T770運行Inception-V3的運行速度更快，加速器浮點模型數(shù)據(jù)的運行速度上略有差距，但精度略優(yōu)于競品，如下圖所示：
逐項拆解之EfficientNet
EfficientNet是谷歌研究人員在一篇 ICML 2019 論文《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》中提出的一種新型模型縮放方法?？梢钥吹剑琓770運行EfficientNet的表現(xiàn)與競品相當，在CPU浮點、加速器量化、加速器浮點模型數(shù)據(jù)的運行速度上均有優(yōu)勢。
剛才提到的MobileNet、Inception-V3、EfficientNet網(wǎng)絡(luò)結(jié)構(gòu)常用于圖像分類、目標檢測、語義分割等技術(shù)開發(fā)中。這些神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可應(yīng)用的常見場景有手機相冊中的相冊分類，手勢識別等，工業(yè)上可用于快遞分揀、頭盔檢測、頭盔識別等場景，在醫(yī)學(xué)領(lǐng)域會用于皮膚真菌識別等應(yīng)用。當然這些神經(jīng)網(wǎng)絡(luò)所能支撐的場景，不限于剛剛介紹到的，可利用這些AI能力開發(fā)出更多的基于對物體/事物的分類場景。
T770在這些神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上的不俗表現(xiàn)表明：T770有更全面、更強大的能力去支撐這些場景的開發(fā)。
逐項拆解之Inception-V3 Parallel
接下來再看Inception-V3 Parallel (NN-INT8)，你肯定會想，怎么又來一個Inception-V3，剛才不是show過了？是重復(fù)了嗎？搞錯了嗎？當然沒有！這里介紹的是Inception-V3 Parallel的能力，即同時處理多個Inception-V3，對應(yīng)的是平臺/設(shè)備對于AI并發(fā)處理的能力，怎么去理解這個并發(fā)處理呢？舉個栗子吧，哦，今天忘記帶栗子了，不好意思(╯▽╰)。
簡單來講，就是應(yīng)用程序同時下發(fā)多個任務(wù)處理，再簡單點講就是，同時在做兩件事情或多件事情，比如圖片分類和手勢識別同時進行。還不明白？再簡單點，就好比人在吃飯的同時刷抖音短視頻。
OK，我們來看下具體數(shù)據(jù)，下圖顯示的是AI加速器對1/2/4/8個量化模型同時處理的能力，可以明顯看到，T770在AI多任務(wù)處理能力上占有明顯優(yōu)勢。
逐項拆解之Yolo-v4 Tiny
我們再看Yolo-V4 Tiny結(jié)構(gòu)，它是Yolo-V4的精簡版，屬于輕量化模型，參數(shù)只有600萬，相當于原來的十分之一，這使檢測速度有了很大提升，非常有利于在端側(cè)進行部署，在智能安防領(lǐng)域中已有大量應(yīng)用，比如車輛識別、人員識別、路徑預(yù)測和跟蹤、行為分析、安全帽識別等。
先看下具體數(shù)據(jù)，如下圖，除加速器量化模型部分略有不足之外，其他均有優(yōu)勢，如CPU量化、浮點，加速器浮點等。
逐項拆解之DPED – ResNet
再看一下T770在DPED - ResNet處理維度的表現(xiàn)，解釋一下，DPED是DSLR Photo Enhancement Dataset，而DSLR指的是Digital Single Lens Reflex Camera，即數(shù)碼單反相機。講到這一點，不得不提到一篇論文《DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks》，這是一篇發(fā)布于2017年關(guān)于圖像增強的神經(jīng)網(wǎng)絡(luò)論文，大概成果就是將手機照片作為輸入，將DSLR相機拍出的照片作為target，通過網(wǎng)絡(luò)使其學(xué)習(xí)到一個映射函數(shù)，目的是讓手機拍出單反相機照片的效果。
基于DPED，我們可以將老舊或低質(zhì)量的照片轉(zhuǎn)化為高質(zhì)量的照片，而且轉(zhuǎn)化效果很好，可用于照片美化等應(yīng)用場景。如下圖，可以看到T770在對DPED - ResNet處理的錯誤率一致的情況下，錯誤率都很低，處理速度上有明顯優(yōu)勢。
逐項拆解之LSTM
接下來，我們再看一下T770在長短期記憶網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）方面的性能。由于獨特的設(shè)計結(jié)構(gòu)，LSTM適合處理和預(yù)測時間序列中間隔和延遲非常長的重要事件。LSTM的表現(xiàn)通常比時間遞歸神經(jīng)網(wǎng)絡(luò)及隱馬爾科夫模型（HMM）更好，比如用在不分段連續(xù)手寫識別上。
2009年，用LSTM構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)模型贏得ICDAR手寫識別比賽冠軍。LSTM還普遍應(yīng)用在自主語音識別，2013年，運用TIMIT自然演講數(shù)據(jù)庫實現(xiàn)了17.7%錯誤率紀錄。作為非線性模型，LSTM可作為復(fù)雜的非線性單元，用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)。
下圖可以看到，T770在對LSTM處理的錯誤率一致的情況下，處理速度上有著明顯優(yōu)勢。
逐項拆解之U-Net
U-Net是比較早的使用全卷積網(wǎng)絡(luò)進行語義分割的算法之一，因網(wǎng)絡(luò)形狀酷似U而得名。圖像語義分割(Semantic Segmentation)是圖像處理和機器視覺技術(shù)中，關(guān)于圖像理解的重要一環(huán)，也是 AI 領(lǐng)域中一個重要的分支。語義分割對圖像中每一個像素點進行分類，確定每個點的類別（如屬于背景、人或車等），從而進行區(qū)域劃分。目前，語義分割已經(jīng)被廣泛應(yīng)用于自動駕駛、無人機落點判定等場景中。U-Net在醫(yī)學(xué)領(lǐng)域也得到了應(yīng)用，比如醫(yī)學(xué)圖像解析，也就是從一副醫(yī)療圖像中，識別出特定的人體部位，比方說“前列腺”、“肝臟”等等。
下圖可以看到，T770和競品對U-net處理的錯誤率都極低，而T770在擁有極低錯誤率的同時，處理速度明顯占優(yōu)。
好了，數(shù)據(jù)對比分析先講這么多，大家如果對T770在其他AI場景下的性能數(shù)據(jù)感興趣，可前往AI Benchmark官網(wǎng)自行查看。
以上可以看到，T770有著不俗的AI性能，可以助力用戶在相冊分類、物體分類、智能美圖、背景虛化、渲染、語音助手、智能家居、車牌識別，人臉識別、視頻超分辨率應(yīng)用場景中的落地實施，并且在滿足常見CV/NLP應(yīng)用場景下，可以同時滿足實時、高并發(fā)的AI場景需求，如車牌識別、人臉識別等。
看罷T770的AI性能精彩展現(xiàn)，你是否會有疑問，T770是如何做到在AI上大放異彩的呢？下面我們來簡單介紹下。
T770擁有多個可用于AI加速的設(shè)備，當然，有時候你擁有的資源越多，并不是一件好事，因為對資源的識別、管理和調(diào)度，會是一件極其困難的事情。所以，如何使T770上多個AI加速設(shè)備協(xié)同合作，并發(fā)揮出最大效能成為我們技術(shù)研發(fā)最主要的挑戰(zhàn)。
大家都知道三個和尚挑水喝的故事：一個和尚挑水喝，兩個和尚抬水喝，三個和尚沒水喝。
故事很簡單，道理也很簡單，借這個故事，這里想表達的是三個核心問題：
一、任務(wù)來了，誰能干？
二、任務(wù)來了，誰來干更合適？
三、安排好活了，干活的是否積極？
為了解決上述問題，紫光展銳開發(fā)了兩大核心技術(shù)：
1）Smart Schedule ：采用智能算法，精準識別每個AI任務(wù)最適合在哪個加速器里進行處理，然后進行分配，使其隨才器使；
2）Device Boost：采用智能調(diào)節(jié)算法，根據(jù)推理任務(wù)大小，智能調(diào)節(jié)加速器負載，使其張弛有度。
得益于紫光展銳開發(fā)的這兩大核心技術(shù)，T770在AI性能上大放異彩，AI多變場景下，可以助力用戶實現(xiàn)豐富的AI場景化落地。
而且，紫光展銳將持續(xù)針對多種AI場景進行優(yōu)化，屆時，T770的AI性能將得到更大提升，創(chuàng)新不止，敬請期待！
注：本文測試數(shù)據(jù)來源于AI Benchmark官網(wǎng)發(fā)布
?
