逐項(xiàng)拆解 | 從AI Benchmark跑分看展銳5G芯片T770的AI性能

　　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(bào)”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(jì)算機(jī)視覺實(shí)驗(yàn)室出品。這個(gè)實(shí)驗(yàn)室由計(jì)算機(jī)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(jì)算機(jī)視覺及系統(tǒng)教授Fisher Yu的研究組組成，是整個(gè)歐洲乃至世界最頂尖的CV/ML研究機(jī)構(gòu)之一。

　　AI Benchmark涵蓋了26組測試，共計(jì)78個(gè)測試子項(xiàng)，包括了目標(biāo)識別、目標(biāo)分類、人臉識別、光學(xué)字符識別、圖像超分，圖像增強(qiáng)、語義分割、語義增強(qiáng)等AI場景，從CPU、AI加速器對INT8和FP16模型的推理速度、準(zhǔn)確性、初始化時(shí)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(gè)維度的測試?yán)�，共�?jì)102個(gè)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(biāo)檢測、文字識別、語義分割、圖像超分、圖像分割、深度估計(jì)、圖像增強(qiáng)、視頻超分、自動(dòng)文本生成等場景 。

　　接下來，讓我們從幾個(gè)關(guān)鍵的測試維度看下T770 AI性能的具體表現(xiàn)：

　　逐項(xiàng)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(dòng)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(diǎn)是提出了深度可分離卷積。mobileNet-V2是對mobileNet-V1的改進(jìn)，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(xiàng)力作，在精度和時(shí)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(gè)版本，一個(gè)是mobileNet-V3 Large，也就是AI Benchmark這次測試用的版本，另一個(gè)是MobileNet-V3 Small版本，分別對應(yīng)了對計(jì)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(gè)版本進(jìn)行測試。下圖這個(gè)數(shù)據(jù)柱狀圖表達(dá)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(diǎn)模型的處理表現(xiàn)，主要從推理速度和準(zhǔn)確性兩個(gè)維度去評估平臺/設(shè)備的AI能力，時(shí)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(diǎn)、加速器量化的處理上基本是優(yōu)于競品的。加速器浮點(diǎn)上略有差距，在mobileNet-V3 Large維度，T770在CPU量化、CPU浮點(diǎn)、加速器浮點(diǎn)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(xiàng)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(jìn)的正則化)�？梢钥吹�，在精度基本一致的情況下，在CPU浮點(diǎn)、加速器量化這兩個(gè)關(guān)鍵維度上，T770運(yùn)行Inception-V3的運(yùn)行速度更快，加速器浮點(diǎn)模型數(shù)據(jù)的運(yùn)行速度上略有差距，但精度略優(yōu)于競品，如下圖所示：

　　逐項(xiàng)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。可以看到，T770運(yùn)行EfficientNet的表現(xiàn)與競品相當(dāng)，在CPU浮點(diǎn)、加速器量化、加速器浮點(diǎn)模型數(shù)據(jù)的運(yùn)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(biāo)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(jī)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(huì)用于皮膚真菌識別等應(yīng)用。當(dāng)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(qiáng)大的能力去支撐這些場景的開發(fā)。

　　逐項(xiàng)拆解之Inception-V3 Parallel

　　接下來再看Inception-V3 Parallel (NN-INT8)，你肯定會(huì)想，怎么又來一個(gè)Inception-V3，剛才不是show過了?是重復(fù)了嗎?搞錯(cuò)了嗎?當(dāng)然沒有!這里介紹的是Inception-V3 Parallel的能力，即同時(shí)處理多個(gè)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(gè)并發(fā)處理呢?舉個(gè)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(shí)下發(fā)多個(gè)任務(wù)處理，再簡單點(diǎn)講就是，同時(shí)在做兩件事情或多件事情，比如圖片分類和手勢識別同時(shí)進(jìn)行。還不明白?再簡單點(diǎn)，就好比人在吃飯的同時(shí)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(gè)量化模型同時(shí)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(xiàng)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(dāng)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(jìn)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(diǎn)，加速器浮點(diǎn)等。

　　逐項(xiàng)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(jī)。講到這一點(diǎn)，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(qiáng)的神經(jīng)網(wǎng)絡(luò)論文，大概成果就是將手機(jī)照片作為輸入，將DSLR相機(jī)拍出的照片作為target，通過網(wǎng)絡(luò)使其學(xué)習(xí)到一個(gè)映射函數(shù)，目的是讓手機(jī)拍出單反相機(jī)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(cuò)誤率一致的情況下，錯(cuò)誤率都很低，處理速度上有明顯優(yōu)勢。

　　逐項(xiàng)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(dú)特的設(shè)計(jì)結(jié)構(gòu)，LSTM適合處理和預(yù)測時(shí)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(shí)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(yùn)用TIMIT自然演講數(shù)據(jù)庫實(shí)現(xiàn)了17.7%錯(cuò)誤率紀(jì)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(cuò)誤率一致的情況下，處理速度上有著明顯優(yōu)勢。

　　逐項(xiàng)拆解之U-Net

　　U-Net是比較早的使用全卷積網(wǎng)絡(luò)進(jìn)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(jī)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(gè)重要的分支。語義分割對圖像中每一個(gè)像素點(diǎn)進(jìn)行分類，確定每個(gè)點(diǎn)的類別(如屬于背景、人或車等)，從而進(jìn)行區(qū)域劃分。目前，語義分割已經(jīng)被廣泛應(yīng)用于自動(dòng)駕駛、無人機(jī)落點(diǎn)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(cuò)誤率都極低，而T770在擁有極低錯(cuò)誤率的同時(shí)，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(shí)施，并且在滿足常見CV/NLP應(yīng)用場景下，可以同時(shí)滿足實(shí)時(shí)、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(huì)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(gè)可用于AI加速的設(shè)備，當(dāng)然，有時(shí)候你擁有的資源越多，并不是一件好事，因?yàn)閷�資源的識別、管理和調(diào)度，會(huì)是一件極其困難的事情。所以，如何使T770上多個(gè)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(gè)和尚挑水喝的故事：一個(gè)和尚挑水喝，兩個(gè)和尚抬水喝，三個(gè)和尚沒水喝。

　　故事很簡單，道理也很簡單，借這個(gè)故事，這里想表達(dá)的是三個(gè)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(zhǔn)識別每個(gè)AI任務(wù)最適合在哪個(gè)加速器里進(jìn)行處理，然后進(jìn)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(fù)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(shí)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(jìn)行優(yōu)化，屆時(shí)，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