物聯網端點位于嵌入式視覺的前沿。而且，與其他前沿領域一樣，也存在挑戰，其中最重要的是電源效率。

機器視覺已經迅速在世界上找到了自己的位置。從樹上看到和摘下橙子。注視檢測針對危險的無意識駕駛員。在工廠車間內移動的工業機器人依靠它進行安全的障礙物檢測。

物聯網端點位于嵌入式視覺的前沿。而且，與其他前沿領域一樣，也存在挑戰，其中最重要的是電源效率。是否可以在不超出節點功率容量的情況下在極端邊緣進行推理？

這個問題值得考慮。這是因為在邊緣進行推理可以避免不分青紅皂白地將數據（其中只有一部分是可操作的）傳輸到云進行分析。這樣可以降低存儲成本。此外，訪問云會損害延遲并抑制實時功能。傳輸數據是易受攻擊的數據，因此最好進行端點處理。這對于降低支付給網絡運營商的成本也是有利的。

全新的 SoC 架構方法

然而，對于所有這些好處，一個主要的絆腳石已經存在。使用傳統微控制器的設備的功耗限制阻礙了神經網絡在極端邊緣的推理。

傳統的微控制器（MCU）性能無法滿足周期密集型操作。方法喚醒解決方案可能依賴于機器視覺進行對象分類，這反過來又需要卷積神經網絡 （CNN） 執行矩陣乘法運算，這些運算轉化為數百萬乘法累加 （MAC） 計算（圖 1）。

圖1.到目前為止，微控制器不具備承擔大容量乘法累加（MAC）的效率的問題一直是一個絆腳石。

MCU存在各種各樣的神經網絡。但是，這些未能作為生產就緒型解決方案流行起來，因為所需的性能無法超越電源障礙。

克服功耗-性能困境是為什么采用全新方法處理處理器角色和 SoC 架構的解決方案是有意義的。采用這種新方法需要了解 IoT 終結點需要處理三個工作負載才能成功推理。一個是程序性的，一個是數字信號處理，一個是執行大量MAC操作的。滿足每個工作負載獨特需求的一種方法是在 SoC 中組合一個用于信號處理和機器學習的雙 MAC 16 位 DSP，以及一個用于程序負載的 Arm Cortex-M CPU。

這種混合多核架構充分利用了 DSP 雙存儲器組、零環路開銷和復雜地址生成。有了它，可以處理工作負載的任何組合：例如，網絡堆棧、RTOS、數字濾波器、時頻轉換、RNN、CNN 以及傳統的類似人工智能的搜索、決策樹和線性回歸。圖 2 顯示了當 DSP 架構優勢發揮作用時，神經網絡計算性能如何提高 2 倍甚至 3 倍。

圖2.矩陣乘法 （NxN） 基準測試。

僅靠架構更改是不夠的

無論是對于嵌入式視覺系統還是依賴于顯著提高神經網絡效率的任何其他系統，實施混合多核架構都很重要。但是，當目標是將功耗降至mW范圍時，必須做更多的工作。認識到這一需求，Eta Compute獲得了連續電壓和頻率縮放（CVFS）的專利。

CVFS克服了動態電壓頻率調節（DVFS）遇到的問題。DVFS確實利用了降低功耗的選項，即降低電壓。缺點是行使此選項時最大頻率會降低。這個問題將DVFS的有效性鎖定在一個狹窄的范圍內 - 一個由嚴格限制數量的預定義離散電壓電平定義并限制在幾百mV的電壓范圍內。

相比之下，為了在最有效的電壓下實現一致的SoC操作，CVFS使用自定時邏輯。通過自定時邏輯，每個器件都可以連續自動調整電壓和頻率。CVFS比DVFS更有效，也比亞閾值設計更容易實施，CVFS在另一個重要方面也與這些不同。關鍵區別在于，上面提到的混合多核架構使CVFS已經做的好事成倍增加。

處于最前沿的生產級

最邊緣的終結點（例如用于人員檢測的終結點）具有特定需求。雖然已發布的神經網絡可供任何人用于這些物聯網端點，但它們并沒有優先針對這些需求。使用領先的設計技術優化這些網絡可以解決這個問題。

除了使用先進的設計方法外，我們在 Eta Compute 采用的神經網絡優化方法以生產級神經傳感器處理器 ECM3532 為中心（圖 3）。它融合了混合多核架構和 CVFS 技術的所有優勢。

圖3.Eta Compute ECM3532神經傳感器處理器的混合多核架構將Arm Cortex-M3處理器、恩智浦CoolFlux DSP、512KB閃存、352KBSRAM和支持外設集成在SoC中，可實現mW范圍內最邊緣的推理。

獲得的知識

如圖4所示的測試結果顯示，為了將深度學習引入嵌入式視覺系統，電力成本不必上升到不可接受的水平。雖然沒有一根魔杖可以為高功耗的神經網絡供電，但將MCU功耗效率和DSP優勢與網絡優化相結合的方法可以幫助應用避免僅依賴云計算導致的安全性、延遲和低效率問題。

圖4.在對人員檢測模型的測試中，包括相機在內的平均系統功耗為5.6mW。對于此測試，速率為每秒 1.3 個審核編輯：郭婷