摘要:
基于卷积神经网络（CNN, convolutional neural network）的视觉深度学习算法的兴起推动了人工智能视觉芯片设计研究的快速发展，而芯片的设计验证工作是人工智能视觉芯片研发的瓶颈。介绍了一种基于硬件仿真系统的人工智能视觉芯片软硬件验证方法，以边缘计算人工智能视觉芯片设计为例，在硬件仿真系统ZeBu上完成了芯片运行的典型深度学习网络MobileNet的仿真验证工作。结果表明，在硬件芯片架构上实现的网络模型在保证精确度的同时，在200 MHz频率时钟下单帧检测时间只需要18.51 ms，与软件平台仿真相比，仿真速度提高了7倍。
关键词：人工智能视觉芯片 ;
深度学习 ;
MobileNet ;
ZeBu
0 引言 【物联网专栏|基于硬件仿真系统的边缘计算人工智能视觉芯片设计验证】卷积神经网络（CNN, convolutional neural network）AlexNet被提出以来，其在图像处理领域的潜力被研究人员不断地挖掘。得益于CNN具有优异的集成度、适应性和特征提取能力，目前基于该类结构的多种网络已经成为了图像识别、目标检测、目标追踪、语音识别等信号处理工作的主流选择。
随着诸如SCA-CNN、ShuffleNet等更高精度的图像处理算法的出现，卷积神经网络的可应用面变得越来越广泛。然而，神经网络模型的日趋复杂化在带来准确率红利的同时，对于搭载设备运算能力的要求也越来越高——一个完整的卷积神经网络需要高性能服务器运行数天乃至更长时间进行参数优化的工作，优化完成后对测试集和实际图像的处理即使在高性能的图形处理器（GPU, graphics processing unit）上运行也需要花费较长时间，这无疑制约了卷积神经网络在算力相对不强的硬件端的发展前途。
基于硬件的小规模内存和小规模处理单元，研究人员设计了一批专门针对硬件特点提出的卷积神经网络。该类神经网络具有参数量小、卷积
推荐阅读
- 人工智能|用PaddlePaddle打比赛！
- 大数据|爱可可老师（一个研究生的自我修养！）
- 无人车|CCF智能无人车比赛（国内绿洲科学实验云平台）心路历程＋AWS Deepracer智能无人车比赛经验（附优秀代码re:lnvent 2018赛道）
- 如何在Cordova中使用语音识别API(将语音转换为文本)
- 5个人脸跟踪和识别相关的最佳javascript库
- 大数据|大模型炼丹无从下手（谷歌、OpenAI烧了几百万刀，总结出这些方法论…）
- 神经网络|【干货】新手炼丹经验总结
- 物联网专栏|图神经网络驱动的交通预测技术（探索与挑战）
- 深度学习|神经网络调参经验总结