啟動人工智能應(yīng)用從來沒有像現(xiàn)在這樣容易！受益于像Xilinx Zynq UltraScale+ MPSoC 這樣的FPGA，AI現(xiàn)在也可以離線使用或在邊緣部署、使用。瑞蘇盈科核心板模塊結(jié)合Vitis AI開發(fā)工具給用戶提供了便利工具，可用于開發(fā)和部署用于實時推理的機器學(xué)習(xí)應(yīng)用，因此將AI集成到應(yīng)用中變得輕而易舉。圖像檢測或分類、模式或語音識別推動了制造業(yè)、醫(yī)療、汽車和金融服務(wù)等產(chǎn)業(yè)的升級。

快速開啟基于AI的FPGA應(yīng)用

ENCLUSTRA

人工智能正在占據(jù)越來越多的應(yīng)用和生活場景，例如圖像檢測和分類，翻譯和推薦系統(tǒng)等等。基于機器學(xué)習(xí)技術(shù)的應(yīng)用數(shù)量龐大且還在不斷增長。采用瑞蘇盈科結(jié)合FPGA和ARM處理器的核心板模塊，在離線和邊緣使用AI前所未有的容易。

人工智能（AI）歷史悠久，自1955年便被公認為一門學(xué)科。人工智能是計算機模仿人類智能、從經(jīng)驗中學(xué)習(xí)、適應(yīng)新信息并執(zhí)行類似人類活動的能力。人工智能的應(yīng)用包括專家系統(tǒng)、自然語言處理（NLP）、語音識別和機器視覺。

AI的復(fù)興

ENCLUSTRA

在經(jīng)歷了幾波樂觀和失望之后，人們對人工智能產(chǎn)生了新的興趣，而且越來越感興趣。在過去15年左右的時間里，成千上萬的人工智能初創(chuàng)公司成立了，而且速度在不斷增長。這背后有幾個驅(qū)動因素：可能最重要的一個是現(xiàn)在可以以承擔(dān)得起的價格獲得巨大的計算能力。不僅硬件更快，而且現(xiàn)在每個人都可以訪問云中的超級計算機。這使得運行人工智能所需的硬件平臺變得大眾化，使得初創(chuàng)企業(yè)得以大量涌現(xiàn)。

圖1：一種具有2個隱含層的前饋人工神經(jīng)網(wǎng)絡(luò)的簡化視圖

ENCLUSTRA

人工神經(jīng)網(wǎng)絡(luò)（圖1）現(xiàn)在擴展到幾十到幾百個隱藏層節(jié)點（圖2）。即使是有10000個隱藏層的網(wǎng)絡(luò)也已經(jīng)實現(xiàn)了。這種進化正在增加神經(jīng)網(wǎng)絡(luò)的抽象能力，并使新的應(yīng)用成為可能。如今，神經(jīng)網(wǎng)絡(luò)可以在數(shù)萬個CPU或GPU核上進行訓(xùn)練，大大加快了開發(fā)廣義學(xué)習(xí)模型的過程。

圖2：ImageNet識別挑戰(zhàn)獲勝者展示了在新的神經(jīng)網(wǎng)絡(luò)架構(gòu)中不斷增加的隱藏層

ENCLUSTRA

人們對人工智能興趣增加的另一個原因是近年來機器學(xué)習(xí)方面的突破性進展。這有助于吸引科技投資和初創(chuàng)企業(yè)的興趣，進一步加速人工智能的發(fā)展和完善。

機器如何學(xué)習(xí)

ENCLUSTRA

人工神經(jīng)網(wǎng)絡(luò)是一種受人腦啟發(fā)的計算模型。它由一個簡單的處理單元相互連接的網(wǎng)絡(luò)組成，這些網(wǎng)絡(luò)可以通過修改它們的連接來學(xué)習(xí)經(jīng)驗（圖1）。所謂的深度神經(jīng)網(wǎng)絡(luò)（DNN -具有許多隱藏層的神經(jīng)網(wǎng)絡(luò)）目前為許多大型計算問題提供了最佳解決方案。

目前應(yīng)用最廣泛的深度學(xué)習(xí)系統(tǒng)是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNNs）。這些系統(tǒng)使用前饋的人工神經(jīng)元網(wǎng)絡(luò)將輸入特征映射到輸出，他們使用反向饋入系統(tǒng)進行學(xué)習(xí)（即訓(xùn)練），并產(chǎn)生一組權(quán)重來校準CNN（反向傳播，圖3）。

圖片圖3：神經(jīng)網(wǎng)絡(luò)需要經(jīng)過訓(xùn)練來學(xué)習(xí)如何解決問題或挑戰(zhàn)

ENCLUSTRA

機器學(xué)習(xí)中計算強度最大的過程是訓(xùn)練神經(jīng)網(wǎng)絡(luò)。對于一個最先進的網(wǎng)絡(luò)來說，它可能需要數(shù)天到數(shù)周的時間，需要數(shù)十億的浮點計算和大量的訓(xùn)練數(shù)據(jù)(GByte到數(shù)百GByte)，直到網(wǎng)絡(luò)達到所需的精度。幸運的是，這個步驟在大多數(shù)情況下都不需要時間限制，并且可以轉(zhuǎn)移到云上。

當(dāng)網(wǎng)絡(luò)接受訓(xùn)練時，它可以被輸入一個新的、未標記的數(shù)據(jù)集，并根據(jù)它之前學(xué)習(xí)的數(shù)據(jù)對數(shù)據(jù)進行分類。這一步稱為推斷，是開發(fā)應(yīng)用的實際目標。

告訴我你看到了什么

ENCLUSTRA

輸入的分類可以在云中進行，也可以在邊緣（大部分是離線）進行。雖然通過神經(jīng)網(wǎng)絡(luò)處理數(shù)據(jù)通常需要專用加速器（FPGA、GPU、DSP或ASIC），但額外的任務(wù)最好由CPU處理，CPU可以用傳統(tǒng)的編程語言編程。這就是帶有集成CPU（所謂的片上系統(tǒng)(SoC)）的FPGA的優(yōu)勢所在，尤其是在邊緣。SoC將推理加速器（FPGA陣列）和CPU組合在一塊芯片中。CPU運行控制算法和數(shù)據(jù)流管理。同時，與基于GPU或ASIC的解決方案相比，F(xiàn)PGA提供了許多優(yōu)勢，其中包括易于集成多個接口和傳感器，以及適應(yīng)新神經(jīng)網(wǎng)絡(luò)架構(gòu)的靈活性（圖4）。

圖4：人工智能推理應(yīng)用的不同技術(shù)的比較

ENCLUSTRA

FPGA固有的可重構(gòu)性也使其能夠利用不斷演化的神經(jīng)網(wǎng)絡(luò)拓撲、更新的傳感器類型和配置，以及更新的軟件算法。使用SoC可以在需要時保證低而確定的延遲，例如，用于實時對象檢測。同時，SoC也非常節(jié)能。從FPGA中獲得最佳性能的主要挑戰(zhàn)是在不失去精度的情況下將浮點模型有效地映射到定點FPGA實現(xiàn)（圖5），這就是供應(yīng)商工具的作用所在。

圖5：將浮點模型有效映射到定點FPGA實現(xiàn)的過程稱為壓縮

選擇合適的工具

ENCLUSTRA

現(xiàn)在有很多工具可以幫助我們降低實現(xiàn)第一個AI項目的門檻。例如，VitisAI開發(fā)工具為用戶提供了在FPGA上開發(fā)和部署用于實時推理的機器學(xué)習(xí)應(yīng)用程序的工具。它們支持許多常見的機器學(xué)習(xí)框架，如Caffe和TensorFlow，PyTorch支持也將很快推出。它們使最先進的神經(jīng)網(wǎng)絡(luò)能夠有效適應(yīng)FPGA，用于嵌入式人工智能應(yīng)用(圖5)。

ENCLUSTRA

結(jié)合標準的核心板模塊（SoM），如瑞蘇盈科的火星XU3（圖6）（基于Xilinx Zynq UltraScale+ MPSoC），插入火星ST3底板，人工智能應(yīng)用可以比以往更快地實現(xiàn)（圖7）。

圖7：已被業(yè)界證實的人工智能應(yīng)用解決方案，基于Xilinx Zynq UltraScale+ MPSoC

ENCLUSTRA

為了展示這種組合的性能和快速上市能力，瑞蘇盈科在短短幾天內(nèi)開發(fā)了一個基于人工智能的圖像識別系統(tǒng)。這些圖像是用一個連接到火星ST3底板的標準USB攝像頭拍攝的。如需更高的性能，可使用底板上的MIPI接口。

該神經(jīng)網(wǎng)絡(luò)以低延遲的方式對圖像進行分類、在火星XU3核心板模塊上運行。該系統(tǒng)支持流行的神經(jīng)網(wǎng)絡(luò)如ResNet-50和DenseNet，兩者分別用于圖像分類和實時人臉檢測。

單個FPGA模塊不僅可以運行神經(jīng)網(wǎng)絡(luò)推理，還可以并行處理許多其他任務(wù)，如與主機PC和其他外圍設(shè)備通信。而且，同時控制各種高動態(tài)驅(qū)動器是FPGA技術(shù)發(fā)揮其優(yōu)勢的地方。例如，添加瑞蘇盈科通用驅(qū)動控制器IP核來控制無刷直流電機或步進電機將是輕而易舉的事。在邊緣利用AI的力量從未如此容易，所以，即刻開啟您的項目吧！