當(dāng)前,市場(chǎng)上普遍使用的負(fù)責(zé)推理的終端人工智能(AI)芯片使用訓(xùn)練好的參數(shù)對(duì)數(shù)據(jù)進(jìn)行快速高效運(yùn)算。但在通常訓(xùn)練過程中使用的數(shù)據(jù)集和真實(shí)數(shù)據(jù)的分布不一致,由此獲得的參數(shù)會(huì)導(dǎo)致終端AI芯片識(shí)別準(zhǔn)確度降低。為此,提出了一種基于終端AI芯片的可視化反饋系統(tǒng)架構(gòu)方法。使用反卷積特征可視化方法,在具有高效計(jì)算性能的終端AI芯片上,對(duì)卷積核參數(shù)進(jìn)行迭代優(yōu)化,達(dá)到可識(shí)別該圖像目的。相比于CPU/GPU和FPGA,所提架構(gòu)在卷積神經(jīng)網(wǎng)絡(luò)模型里,更具有高效處理能力和靈活可塑性。實(shí)驗(yàn)表明,該研究有效提高了終端AI芯片的普適性、識(shí)別準(zhǔn)確度和處理效率。 

【文章來源】：北京航空航天大學(xué)學(xué)報(bào). 2020年08期 第1494-1502頁 北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

反卷積可視化處理流程

反卷積可視化反饋系統(tǒng)可在具有卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的終端AI芯片上實(shí)現(xiàn),無需修改硬件架構(gòu),可有效增加終端AI芯片的適用性。CNN是深度學(xué)習(xí)代表算法之一,包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)包括卷積層(Convolutional Layer)和池化層(Pooling Layer)。如圖2所示,卷積網(wǎng)絡(luò)通常有一個(gè)輸入層,多個(gè)卷積和池化層,一個(gè)或2 個(gè)全連接層,和一個(gè)輸出層的結(jié)構(gòu)組成。筆者將整個(gè)結(jié)構(gòu)分為兩部分理解:輸入層和卷積池化層為特征表示器,全連接層和輸出層可以看作一個(gè)分類器。例如輸入一只狗的圖像,特征表示器將圖像的原始像素映射為眼睛、耳朵、鼻子、毛發(fā)等高級(jí)特征,再使用分類器對(duì)高級(jí)特征進(jìn)行分類。主要處理流程如圖2所示。

如圖3所示,根據(jù)應(yīng)用場(chǎng)景,現(xiàn)有芯片主要分為兩大類:第1類是同時(shí)具有訓(xùn)練和推理的云端芯片,第2類是只具有推理功能的終端芯片。隨著AI應(yīng)用的普及且需求量大,帶有輕量級(jí)訓(xùn)練的終端芯片是必然的發(fā)展趨勢(shì)。AI的發(fā)展高度依賴海量數(shù)據(jù),優(yōu)質(zhì)的大數(shù)據(jù)量數(shù)據(jù)庫(kù)對(duì)終端芯片處理能力起著決定性的作用,且所使用的每一層的參數(shù)均在訓(xùn)練過程中產(chǎn)生。但在很多應(yīng)用的特定場(chǎng)景下無法獲取大量可用數(shù)據(jù),比如航拍目標(biāo)基地、遙感衛(wèi)星獲取艦船、心腦血管堵塞醫(yī)學(xué)影像等。如何在只有某類小樣本情況下,通過在終端芯片上進(jìn)行反饋參數(shù)優(yōu)化以提高用戶體驗(yàn)是本文研究的重點(diǎn)。本文針對(duì)上述問題,對(duì)僅有推理的終端芯片提出一套解決方案。

【參考文獻(xiàn)】：
期刊論文
[1]人工智能在汽車自動(dòng)駕駛中的應(yīng)用[J]. 張美芳,王羽,鄭碧琪,張凱帆.  汽車工業(yè)研究. 2019(03)
[2]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進(jìn)軍.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[3]人工智能芯片技術(shù)研究[J]. 施羽暇.  電信網(wǎng)技術(shù). 2016(12)



本文編號(hào)：2905825