0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

多項(xiàng)第一!Imagination神經(jīng)網(wǎng)絡(luò)加速器通過AIIA DNN benchmark評(píng)估

Dbwd_Imgtec ? 來源:YXQ ? 2019-07-12 15:23 ? 次閱讀

在6月28日南京國(guó)際博覽會(huì)議中心召開的中國(guó)人工智能峰會(huì),中國(guó)人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟(AIIA)總體組組長(zhǎng)孫明俊主持發(fā)布了“AIIA DNN Benchmark”測(cè)評(píng)結(jié)果,Imagination的神經(jīng)網(wǎng)絡(luò)加速器通過了《AIIA DNN benchmark——人工智能端側(cè)芯片基準(zhǔn)測(cè)試評(píng)估方案 V0.5 版本》!在測(cè)試中,Imagination的神經(jīng)網(wǎng)絡(luò)加速器在多項(xiàng)測(cè)試中名列第一!

據(jù)發(fā)布的報(bào)告,在基于端側(cè)推斷任務(wù)深度神經(jīng)網(wǎng)絡(luò)處理器基準(zhǔn)測(cè)試結(jié)果中,Imagination的神經(jīng)網(wǎng)絡(luò)加速器在多個(gè)框架測(cè)試中成績(jī)名列第一!

孫明俊表示AIIA DNN Benchmark已經(jīng)制定兩套評(píng)估規(guī)范、完成兩輪端側(cè)評(píng)估評(píng)測(cè)工作,增加支持安卓和Linux操作系統(tǒng),是唯一一家區(qū)別整形和浮點(diǎn)的評(píng)測(cè)標(biāo)準(zhǔn),目前該發(fā)布結(jié)果已經(jīng)公布,

網(wǎng)址是:http://aiiaorg.cn/uploadfile/2019/0702/20190702065314379.pdf

AI 進(jìn)入爆發(fā)期后,芯片對(duì)技術(shù)進(jìn)步的影響愈發(fā)凸顯。AI 芯片益復(fù)雜化、多樣化,一方面,芯片廠商紛紛給出不同的衡量標(biāo)準(zhǔn),聲稱其產(chǎn)品在計(jì)算性能、單位能耗算力等方面處于行業(yè)領(lǐng)先水平;另一方面,需求方卻關(guān)心如何能從廠商給出的信息中判斷出芯片是否能實(shí)際滿足其真實(shí)場(chǎng)景的計(jì)算需求。針對(duì)這一現(xiàn)狀,一個(gè)與真實(shí)場(chǎng)景緊密相連的、同時(shí)跨產(chǎn)品可比的測(cè)試評(píng)估方案的出現(xiàn),迫在眉睫。

如何構(gòu)建與真實(shí)場(chǎng)景緊密相連的、面向不同產(chǎn)品形態(tài)、設(shè)備級(jí)別的 AI 加速器測(cè)試評(píng)估方案?在2018 年的AIIA 人工智能開發(fā)者大會(huì)上,《AIIA DNN benchmark——人工智能端側(cè)芯片基準(zhǔn)測(cè)試評(píng)估方案 V0.5 版本》就由孫明俊代表中國(guó)人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟發(fā)布。

據(jù)孫明俊介紹,AIIA DNN benchmark 的工作目標(biāo)為客觀反映當(dāng)前以提升深度學(xué)習(xí)處理能力的 AI 加速器現(xiàn)狀,所有指標(biāo)均旨在提供客觀比對(duì)維度。AIIA 希望,該方案能夠?yàn)樾酒髽I(yè)提供第三方評(píng)測(cè)結(jié)果,幫助產(chǎn)品市場(chǎng)宣傳;同時(shí)為應(yīng)用企業(yè)提供選型參考,幫助產(chǎn)品找到合適其應(yīng)用場(chǎng)景的芯片。V0.5 版本首先給出了端側(cè)評(píng)估方案。

據(jù)孫明俊介紹,AI 基準(zhǔn)測(cè)試方案的制定面臨諸多挑戰(zhàn)。即便拋開優(yōu)化程度、硬件架構(gòu)等若干問題不談,延遲、帶寬、能耗都要納入考慮范圍。同時(shí),各種神經(jīng)網(wǎng)絡(luò)模型都有不同參數(shù),不同設(shè)備在不同參數(shù)下有不同的輸出曲線。如何讓指標(biāo)在不同級(jí)別的設(shè)備中橫向可比?而云端和終端的應(yīng)用是否需要不同的基準(zhǔn)測(cè)試?如何為不同測(cè)試項(xiàng)目分配權(quán)重,以獲得一個(gè)相對(duì)公正客觀、有代表性的評(píng)分?這些都是應(yīng)用領(lǐng)域的差異性和實(shí)現(xiàn)選擇的多樣性導(dǎo)致的測(cè)評(píng)難題。

針對(duì)以上特點(diǎn),AIIA 聯(lián)合 Arm 中國(guó)、阿里巴巴集團(tuán)、百度、寒武紀(jì)科技、ChipIntelli、地平線、華為、華大半導(dǎo)體、Imagination、Synopsys,騰訊、云之聲等 12 家企業(yè),推出了 AIIA DNN benchmark——人工智能端側(cè)芯片基準(zhǔn)測(cè)試評(píng)估方案。

AIIA DNN benchmark 以“版本迭代、不斷豐富、不斷完善”的工作方式,為更多評(píng)測(cè)應(yīng)用場(chǎng)景、評(píng)測(cè)指標(biāo)等提供評(píng)估方案,首輪測(cè)試對(duì)象主要為端側(cè)設(shè)備。AIIA DNN benchmark 的發(fā)布,能夠促進(jìn)芯片供給側(cè)與需求側(cè)的交流,讓需求方的意見能夠更快傳達(dá)到芯片企業(yè),讓企業(yè)進(jìn)行有針對(duì)性的改良,加快行業(yè)迭代速度,推動(dòng) AI 產(chǎn)業(yè)的快速進(jìn)步。

2017年9月,Imagination Technologies發(fā)布第一代神經(jīng)網(wǎng)絡(luò)加速器PowerVR NNA,此款NNA具有完整且獨(dú)立式的IP,在面積效率、性能運(yùn)算以及功耗等方面都具有“秒殺”競(jìng)爭(zhēng)對(duì)手的優(yōu)勢(shì)。

2018年12月,Imagination Technologies發(fā)布了其面向人工智能(AI)應(yīng)用的最新神經(jīng)網(wǎng)絡(luò)加速器(NNA)架構(gòu)PowerVR Series3NX。單個(gè)Series3NX內(nèi)核的性能可從0.6到10萬億次操作/秒(TOPS),同時(shí)其多核實(shí)現(xiàn)可擴(kuò)展到160TOPS以上。得益于包括無損權(quán)重壓縮等架構(gòu)性增強(qiáng),Series3NX架構(gòu)的性能可在相同的芯片面積上較上一代產(chǎn)品提升40%,使SoC制造商可在性能效率方面提高近60%,且?guī)捫枨蠼档土?5%。

Imagination在PowerVR Series3NX中增加了無損的權(quán)重壓縮特性,這種壓縮減少了需要存儲(chǔ)和通過系統(tǒng)內(nèi)存來傳遞數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型的大小,這意味著與PowerVR Series2NX相比,Series3NX提供了更加高效的總體帶寬,相比Series2NX降低了35%,同時(shí)降低了SoC的功耗。

作為Series3NX架構(gòu)的一部分,2018年年底,Imagination 還發(fā)布了PowerVR Series3NX-F(Flexible)IP配置,以提供前所未有的功能性和靈活性平衡,同時(shí)還結(jié)合了行業(yè)領(lǐng)先的性能。采用Series3NX-F的客戶可以通過OpenCL框架來實(shí)現(xiàn)差異化并為其產(chǎn)品增加價(jià)值。

PowerVR Series3NX能夠滿足自動(dòng)駕駛等應(yīng)用的高計(jì)算需求,實(shí)現(xiàn)了下一代真正的人工智能。通過使用Imagination的專用深度神經(jīng)網(wǎng)絡(luò)(DNN)API,開發(fā)人員可以輕松地針對(duì)Series3NX架構(gòu)以及現(xiàn)有PowerVR GPU編寫人工智能應(yīng)用程序。該API可以在多種SoC配置上工作,以便在現(xiàn)有設(shè)備上輕松地完成原型設(shè)計(jì),目前Imagination的神經(jīng)網(wǎng)絡(luò)加速器產(chǎn)品已經(jīng)廣泛應(yīng)用在手機(jī)、安防、智慧家居領(lǐng)域。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 加速器
    +關(guān)注

    關(guān)注

    2

    文章

    800

    瀏覽量

    37912
  • 神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    42

    文章

    4772

    瀏覽量

    100845

原文標(biāo)題:多項(xiàng)第一!Imagination神經(jīng)網(wǎng)絡(luò)加速器通過AIIA DNN benchmark評(píng)估

文章出處:【微信號(hào):Imgtec,微信公眾號(hào):Imagination Tech】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    BP神經(jīng)網(wǎng)絡(luò)樣本的獲取方法

    的訓(xùn)練樣本是至關(guān)重要的。 數(shù)據(jù)收集 數(shù)據(jù)收集是構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型的第一步。根據(jù)研究領(lǐng)域和應(yīng)用場(chǎng)景的不同,數(shù)據(jù)來源可以分為以下幾種: 1.1 實(shí)驗(yàn)數(shù)據(jù):通過實(shí)驗(yàn)或觀察獲得的數(shù)據(jù),如生物實(shí)驗(yàn)、化學(xué)實(shí)驗(yàn)等。 1.2 傳感
    的頭像 發(fā)表于 07-11 10:50 ?611次閱讀

    什么是神經(jīng)網(wǎng)絡(luò)加速器?它有哪些特點(diǎn)?

    神經(jīng)網(wǎng)絡(luò)加速器種專門設(shè)計(jì)用于提高神經(jīng)網(wǎng)絡(luò)計(jì)算效率的硬件設(shè)備。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展和廣泛應(yīng)用,神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和計(jì)算量急劇增加,
    的頭像 發(fā)表于 07-11 10:40 ?515次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡(jiǎn)稱ANNs)之間的關(guān)系與區(qū)別,是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中個(gè)基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及
    的頭像 發(fā)表于 07-10 15:20 ?1123次閱讀

    深度神經(jīng)網(wǎng)絡(luò)(DNN)架構(gòu)解析與優(yōu)化策略

    深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)作為機(jī)器學(xué)習(xí)領(lǐng)域中的種重要技術(shù),以其強(qiáng)大的特征學(xué)習(xí)能力和非線性建模能力,在多個(gè)領(lǐng)域取得了顯著成果。DNN的核心在于其多
    的頭像 發(fā)表于 07-09 11:00 ?1922次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)種具有時(shí)間序列特性的神經(jīng)網(wǎng)絡(luò),能
    的頭像 發(fā)表于 07-05 09:52 ?587次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)樣嗎

    神經(jīng)網(wǎng)絡(luò)種基于樹結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型,它通過遞歸地將輸入數(shù)據(jù)分解為更小的子問題來處理序列數(shù)據(jù)。RvNN的核心思想是將復(fù)雜的序列問題
    的頭像 發(fā)表于 07-05 09:28 ?900次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)

    遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡(jiǎn)稱RNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡(jiǎn)稱RNN)實(shí)際上是同個(gè)概念,只是不同的翻譯方式
    的頭像 發(fā)表于 07-04 14:54 ?794次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別在哪

    結(jié)構(gòu)、原理、應(yīng)用場(chǎng)景等方面都存在定的差異。以下是對(duì)這兩種神經(jīng)網(wǎng)絡(luò)的詳細(xì)比較: 基本結(jié)構(gòu) BP神經(jīng)網(wǎng)絡(luò)種多層前饋神經(jīng)網(wǎng)絡(luò),由輸入層、隱藏
    的頭像 發(fā)表于 07-04 09:49 ?9318次閱讀

    反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network,簡(jiǎn)稱BP神經(jīng)網(wǎng)絡(luò))是種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法
    的頭像 發(fā)表于 07-03 11:00 ?819次閱讀

    如何使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和預(yù)測(cè)

    神經(jīng)網(wǎng)絡(luò)種強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù),可以用于建模和預(yù)測(cè)變量之間的關(guān)系。 神經(jīng)網(wǎng)絡(luò)的基本概念 神經(jīng)網(wǎng)絡(luò)種受人腦啟發(fā)的計(jì)算模型,由大量的節(jié)點(diǎn)(
    的頭像 發(fā)表于 07-03 10:23 ?773次閱讀

    BP神經(jīng)網(wǎng)絡(luò)屬于DNN

    深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,簡(jiǎn)稱DNN)則是指具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò),可以處理復(fù)雜的數(shù)據(jù)和任務(wù)。那么,BP神經(jīng)網(wǎng)絡(luò)是否屬于
    的頭像 發(fā)表于 07-03 10:18 ?799次閱讀

    bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)

    Network)有相似之處,但它們之間還是存在些關(guān)鍵的區(qū)別。 、引言 神經(jīng)網(wǎng)絡(luò)種模擬人腦神經(jīng)元結(jié)構(gòu)的計(jì)算模型,它由大量的
    的頭像 發(fā)表于 07-03 10:14 ?865次閱讀

    bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么

    結(jié)構(gòu)、原理、應(yīng)用場(chǎng)景等方面都存在定的差異。以下是對(duì)這兩種神經(jīng)網(wǎng)絡(luò)的比較: 基本結(jié)構(gòu) BP神經(jīng)網(wǎng)絡(luò)種多層前饋神經(jīng)網(wǎng)絡(luò),由輸入層、隱藏層和
    的頭像 發(fā)表于 07-03 10:12 ?1216次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    不同的神經(jīng)網(wǎng)絡(luò)模型,它們?cè)诮Y(jié)構(gòu)、原理、應(yīng)用等方面都存在定的差異。本文將從多個(gè)方面對(duì)這兩種神經(jīng)網(wǎng)絡(luò)進(jìn)行詳細(xì)的比較和分析。 引言 神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-02 14:24 ?4220次閱讀

    西門子推出Catapult AI NN軟件,賦能神經(jīng)網(wǎng)絡(luò)加速器設(shè)計(jì)

    西門子數(shù)字化工業(yè)軟件近日發(fā)布了Catapult AI NN軟件,這款軟件在神經(jīng)網(wǎng)絡(luò)加速器設(shè)計(jì)領(lǐng)域邁出了重要步。Catapult AI NN軟件專注于在專用集成電路(ASIC)和芯片級(jí)系統(tǒng)(SoC)上實(shí)現(xiàn)
    的頭像 發(fā)表于 06-19 11:27 ?872次閱讀