卷积神经网络是人工智能深度学习的基石。在本刊上期发表的《人工智能与卷积神经网络》一文中，作者讨论了神经网络模式识别，并介绍了卷积神经网络的模型架构、工作原理以及设计构件。而在本文中，则着重介绍卷积神经网络的硬件实现，特别介绍如何利用AI微控制器和硬件CNN加速器在物联网边缘实现AI应用。
人工智能(AI)应用通常是利用服务器群或昂贵的现场可编程门阵列(FPGA)来实现，从而需要大量的能耗。而该领域面临的挑战是，在不断增加算力的同时，还要求保持低功耗和低成本。如今，强大的智能边缘计算，使AI应用发生了戏剧性转变。
与传统基于固件的计算相比，基于硬件的卷积神经网络，正以令人印象深刻的速度和能力，迎来计算性能的新时代。新的智能边缘技术，通过赋能传感器节点自主决策，显著降低了对5G和Wi-Fi网络数据传输方面的需求。这为新兴技术和独特的应用提供了动力，而这些技术和应用在以前都是不可能实现的。例如，偏远位置的烟雾/火灾探测、在传感器端即可实现环境数据分析等。如今上述这些应用都已成为现实，而且这些设备都由电池进行常年供电。
带超低功耗卷积神经网络加速器的AI微控制器
MAX78000是一款带有超低功耗CNN加速器的AI微控制器，这是一款先进的系统级芯片。它为资源受限的边缘设备或物联网应用提供了超低功耗的神经网络。此类应用包括对象检测和分类、音频处理、声音分类、噪声消除、面部识别、心率/健康信号分析时序数据处理、多传感器分析和预测性维护等。
图1所示为MAX78000的原理框图。图中可见，该微控制器采用了带浮点单元的Arm®Cortex®-M4F内核，频率高达100MHz。为了给应用程序提供足够的内存资源，此版本的微控制器配有512kB的闪存和128kB的SRAM。它包括多个外部接口，如I²C、SPI和UART，以及对音频应用非常重要的I²S。此外，还有一个集成的60MHz RISC-V核。RISC-V通过把数据从独立的外围模块和存储器(闪存和SRAM)中复制出来，或者把数据复制进去，从而使其成为智能直接存储器访问(DMA)引擎。RISC-V核为AI加速器预处理传感器数据，故在此期间，Arm核可以处于深度睡眠模式。如有必要，推理结果可以通过中断触发Arm核，然后Arm CPU在主应用程序中执行操作，以无线方式传递传感器数据，或通知用户。
图1：MAX78000原理方框图。
MAX7800x系列微控制器的一个独特功能，是利用硬件加速器单元来执行卷积神经网络推理，这使其架构和外设与标准微控制器相比都有很大不同。该硬件加速器可以支持完整的CNN模型架构以及所有所需参数(权重和偏置)。CNN加速器配备了64个并行处理器和一个集成存储器(其中，442kB用于存储参数，896kB用于存储数据)。由于模型和参数存储在SRAM存储器中，因此可以利用固件对它们进行调整，并实时适配网络。根据模型中使用的权重是1、2、4还是8位，该内存最多可容纳350万个参数。因为存储器能力是加速器的一个组成部分，所以在每次连续的数学运算中，不必通过微控制器总线结构获取参数。由于这类活动延迟大且功耗高，故成本是很昂贵的。神经网络加速器可以支持32层或64层，具体取决于池函数。每层的可编程图像输入/输出最高可达1024×1024像素。
CNN硬件转换：能耗和推理速度比较
CNN推理是一项复杂的计算任务，因为其中含有矩阵形式的大型线性方程。利用Arm Cortex-M4F微控制器的强大功能，可以在嵌入式系统的固件上进行CNN推理。不过，此时也有一些缺点需要考虑到，那就是会消耗大量的能源和时间。这是因为，在微控制器上运行基于固件的推理时，由于需要从存储器中读取计算所需的命令以及相关的参数数据，然后才能写回中间结果。
表1所示为采用三种不同解决方案的CNN推理速度和能耗的比较。该示例模型是利用MNIST开发的。MNIST是一种手写数字识别训练集，它对视觉输入数据中的数字和字母进行分类，以获得准确的输出结果。对每种处理器类型所需的推理时间进行了测量，以确定各类型之间的能耗和速度差异。
表1：利用MNIST数据集进行手写数字识别的三种不同场景中的CNN单次推理时间和能耗
| 处理器类型及场景 | 推理速度(ms) | 单次推理能耗(µWs) |
| (1) MAX32630，固件MNIST | 574 | 22887 |
| (2) MAX78000，硬件MNIST | 1.42 | 20.7 |
| (3) MAX78000，针对低功耗优化过的硬件MNIST | 0.36 | 1.1 |
在第一个场景中，集成到MAX32630中的Arm Cortex-M4F处理器用于计算推理，该处理器主频为96MHz。在第二个场景中，为了处理计算，采用了MAX78000的硬件CNN加速器。当采用这种具有硬件加速器的微控制器时，推理时间(即在网络输入端呈现视觉数据与输出结果之间的时间差)降低了400倍，亦即推理速度提高了400倍。此外，每次推断所需的能耗要低1100倍。在第三个场景中，MNIST网络被优化至单次推理的能耗最小。在这种情况下，结果的准确性会略有下降(从99.6%下降到95.6%)，但网络却要快得多，每次推理只需要0.36毫秒。每次推理的能耗降低到仅1.1µW。在采用两块AA碱性电池(总能量为6Wh)的应用中，推理次数可以达到500万次(电路其余部分消耗的功率可省略)。
这些数据说明了硬件加速计算的威力。对于无法利用连接或需要连续供电的应用来说，硬件加速计算是一种宝贵的工具。在无需大量能源、宽带互联网接入或延长推理时间的前提下，MAX78000实现了边缘处理。
MAX78000 AI微控制器用例示例
MAX78000支持多种潜在应用，这里以宠物门控制为例进行研究。
该用例要求设计一个电池供电的摄像头，自动检测猫何时回家，当猫出现在图像传感器的视野内之后，通过向猫门自动发送一个数字输出来打开猫门，让猫能够进入屋内。
图2描述了该用例的设计框图。在这种情况下，RISC-V核定期打开图像传感器，并将图像数据加载到由MAX78000供电的CNN中。如果识别为猫的概率高于先前定义的阈值，则启开猫门。等猫进来后，系统再次返回待机模式。
图2：智能宠物门设计方框图。
开发环境和评估套件
开发边缘应用的过程可分为以下几个阶段：
第1阶段：AI——网络定义、训练和量化；
第2阶段：Arm固件——将第1阶段生成的网络和参数植入到C/C++应用程序中，并创建和测试应用程序固件；
开发过程的第一部分涉及AI模型的建模、训练和评估。在这个阶段，开发人员可以利用PyTorch和TensorFlow等开源工具。GitHub存储库提供了全面的资源，可帮助用户来规划AI网络的构建和训练，在考量MAX78000硬件参数时，可利用PyTorch开发环境。存储库中包括一些简单的AI网络以及像面部识别(Face ID)这类的多种应用。
图3所示为PyTorch中典型的AI开发过程。首先，需要对网络进行建模。必须注意的是，并非所有MAX7800x微控制器都具有支持PyTorch环境中所有可用数据操作的硬件。因此，项目中必须首先包含ADI提供的ai8x.py文件。该文件包含采用MAX78000所需的PyTorch模块和运算符。基于这种设置，可以构建网络，然后是利用训练数据进行训练、评估和量化。该步骤的结果是检查点文件，该点文件检查包含用于最终合成过程的输入数据。在最后这一步中，网络及其参数被转换为适合硬件CNN加速器的形式。这里应该提到的是，网络训练可以利用任何PC(笔记本电脑、服务器等)来完成。然而，如果没有CUDA显卡的支持，即使是小型网络，这也可能需要大量时间，几天甚至几周都是完全可能的。
图3：AI开发流程示意图。
在开发过程的第2阶段，应用程序固件是通过将数据写入CNN加速器并读取结果的机制来创建的。通过#include指令，将第一阶段创建的文件集成到C/C++项目中。诸如Eclipse IDE和GNU工具链之类的开源工具，也用于微控制器的开发环境。ADI提供了一个软件开发工具包(Maxim Micros SDK(Windows))作为安装程序，其中已经包含了所有必要的组件和配置。为了简化应用程序的开发过程，该软件开发工具包还包含有各种外围驱动程序、多种示例以及说明。
一旦项目在没有任何错误的情况下被编译和链接，就可以在目标硬件上对其进行评估。ADI为此开发了两种不同的硬件评估平台。图4所示为MAX78000EVKIT。而图5所示则是一款外形稍小的feather评估板，型号为MAX78000FTHR。每块板上都配有一个VGA摄像头和一个麦克风。
图4：MAX78000评估套件。
图5：MAX78000FTHR评估套件。
结论
以前，AI应用需要消耗大量能源的服务器群或昂贵的FPGA阵列来实现。现在，有了带专用CNN加速器的MAX78000系列微控制器，就可以利用单节电池为AI应用长时间供电。这一能效和功耗技术方面的突破，使边缘AI比以往任何时候都更容易实现，并为新的、令人激动的边缘AI应用释放了潜力，而所有这些在以前都是无法想象的。
(参考原文：hardware-conversion-of-convolutional-neural-networks）
本文为《电子工程专辑》2023年10月刊杂志文章，版权所有，禁止转载。点击申请免费杂志订阅
您可能感兴趣
