隨著對高性能處理器的需求不斷增長，半導體的縮放定律不斷顯示其極限，對處理器的優化需求變得不可避免。正如我在之前的博客中解釋的那樣，RISC-V的設計就是為了實現這一點。然而，在處理器優化方面沒有一個放之四海而皆準的方法。由于每個工作負載和應用程序都有自己的要求，因此優化方法也因個體而異。我們可以在不同的層面上修改處理器IP，每一種都有自己的優勢。在這篇博文中，讓我們來定義和探索處理器優化的不同層次。從配置到定制，如何使用它們來創建滿足特定要求的優化過的品質處理器。

首先定義三個不同級別的處理器優化，它們有著不同的優勢和使用場景。所有三個級別不但不相互排斥，還可以將三者結合起來，以實現PPA目標。

3 levels of processor customization. Source: Codasip

配置：將標準內核的RTL參數設置為預先定義的值

每個處理器IP都有一套可調整的、預先定義的參數。它們在交付時有一個默認值，該默認值可以修改并設置為特定用例所需的值。大家通常可以在RTL級別設置并輕松修改這些參數。這種級別的優化在業界非常普遍，而且廣泛傳播。這些參數可能包括中斷次數，是否存在簡單的功能或緩存的大小等。

在RTL級別的調整對于任何處理器IP來說都是可以預期的，并且可以通過Codasip以RTL形式提供的標準Codasip RISC-V核來實現。該IP是經過完全驗證的，簡化后的集成，但是參數的范圍和可能的值是有限的，探索空間也相對有限。

雖然這些參數是必要的，但不足以為特定需求創造一個真正獨特的差異化產品。原因是它們既是有限的選項集，同時也是在RTL層面的實現的，而RTL級別的實現是難以參數化的，這在業界眾所周知。因此，配置只能給予對最終設計的有限控制。

高級配置：結構性變化以適應設計

除了配置之外，還有高級配置可以運用。在高級別配置上，這個概念看起來很相似。但我們的想法是啟用更大、更復雜的參數，從而得到明顯差異化的RTL 。配置選項的例子包括：

1. 緩存和TCM的增加

2. 浮點單元的存在

3. 或分支預測器的存在

這種靈活性對于處理器IP來說雖然不太常見，但是可以使用Codasip IP來實現。所有的Codasip RISC-V內核都是用一種叫做CodAL的高級語言設計的，并且可以用Codasip Studio設計自動化進行配置。只需從配置器GUI中選擇高級參數，該工具就會自動生成只包含自定義優化配置的RTL。

處理器的CodAL源代碼可向用戶提供所有選項。然后，Codasip Studio工具將CodAL合成為RTL。

Codasip提供大量的CodAL配置選項，也意味著客戶不需要任何關于CodAL的具體知識（盡管這種類似C語言的編程語言很簡單和直接）。這中方法為實現特定應用定制產品提供了保證。并完全可以從同一個源代碼中同時優化硬件和軟件。

定制：更深層次的處理器IP優化

更深層次的IP優化實際上是設計師對IP的修改，以便為目標應用獲得更高的效率性能。這是定制計算的領域，也是Codasip提供的具有競品優勢的解決方案。其他IP供應商可能會宣稱處理器也可以進行定制，但如果沒有自動化設計流程，這種期待只能停留在理論上，而且可定制范圍非常有限。

Codasip RISC-V內核的定制意味著對IP進行細粒度的修改，能夠在架構和微架構層面上修改需要的任何東西。可以增加或刪除指令，改變寄存器集或增加全新的功能或接口，而不僅僅是修改現有的參數。CodAL語言的使用使這些修改變得快速而簡單。Codasip Studio的分析功能指出了需要改進的潛在領域，并能非常快速地反饋應用程序在這些修改后的表現，這對快速迭代和獲得最佳結果至關重要。

Automated approach to custom compute. Source: Codasip

而從一個經過完整驗證的RISC-V內核開始，也使這個定制過程變得更快，并可以大大減少驗證工作，而驗證環節通常是設計項目中最耗時的任務。在Codasip Studio中用CodAL對Codasip RISC-V內核進行全面優化，是為應用獲得定制計算的一種實用方法。它最大的優勢在于整個設計流程是自動化的，而且該工具會自動生成一個SDK和HDK，這些SDK和HDK并已知與定制內核相匹配的相關。而不需要手動來創建一切!

處理器優化案例

可以想象一下，如果想為特定的機器學習工作負載優化一個處理器，以卷積神經網絡（CNN）為例。

隨著向設備級人工智能處理的重要轉變，在為物聯網應用選擇SoC或MC時，運行人工智能/機器學習任務的能力成為必須具備的條件。但是嵌入式設備通常受到資源限制，因此很難在嵌入式平臺上運行人工智能算法。

使用Codasip L31 RISC-V內核和Codasip Studio，我們可以探索和定制處理器設計，以提高其運行機器學習算法時的效率。Codasip Studio中包含的剖析工具使設計者能夠比較標準內核和優化內核的性能，突出神經網絡定制指令的好處。

Our approach to processor optimization for ML workloads (use case). Source: Codasip

Codasipde的方法是在不同的層次上對處理器進行調整：

我們為ML工作負載優化處理器的Codasip方法（使用案例）：高級配置和定制

通過對圖像識別的基準應用進行分析，我們用Codasip Studio工具證實，圖像卷積是一個主要的瓶頸，占用了89%以上的CPU時間。不到200行的CodAL代碼足以實現一個緊密集成在Codasip L31內核的卷積加速器。在對最大頻率影響不到10%的情況下，這種修改提供了大于5倍的性能提升和小于3倍的能耗。Codasip Studio自動生成一個優化的編譯器，在不改變軟件的情況下實現了效率的提高！

如果您對神經網絡加速器技術白皮書感興趣，請移步該鏈接下載英文原版：https://codasip.com/papers/compact-nn-accelerator-in-codal-technical-paper/

各種處理器優化方法相結合以求最佳結果

正如我們所說，在處理器優化方面沒有一個放之四海而皆準的方法。處理器IP修改可以在不同層面進行，每個層面都可以帶來不同的優勢。這種組合的相結合則能協助客戶在開發獨特產品時實現最佳的PPA目標。

審核編輯 ：李倩