發(fā)布時間：2020-12-08 23:01

　　當前,市場上普遍使用的負責推理的終端人工智能(AI)芯片使用訓練好的參數(shù)對數(shù)據(jù)進行快速高效運算。但在通常訓練過程中使用的數(shù)據(jù)集和真實數(shù)據(jù)的分布不一致,由此獲得的參數(shù)會導致終端AI芯片識別準確度降低。為此,提出了一種基于終端AI芯片的可視化反饋系統(tǒng)架構方法。使用反卷積特征可視化方法,在具有高效計算性能的終端AI芯片上,對卷積核參數(shù)進行迭代優(yōu)化,達到可識別該圖像目的。相比于CPU/GPU和FPGA,所提架構在卷積神經(jīng)網(wǎng)絡模型里,更具有高效處理能力和靈活可塑性。實驗表明,該研究有效提高了終端AI芯片的普適性、識別準確度和處理效率。 

【文章來源】：北京航空航天大學學報. 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)絡結構的終端AI芯片上實現(xiàn),無需修改硬件架構,可有效增加終端AI芯片的適用性。CNN是深度學習代表算法之一,包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡包括卷積層(Convolutional Layer)和池化層(Pooling Layer)。如圖2所示,卷積網(wǎng)絡通常有一個輸入層,多個卷積和池化層,一個或2 個全連接層,和一個輸出層的結構組成。筆者將整個結構分為兩部分理解: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)等高級特征,再使用分類器對高級特征進行分類。主要處理流程如圖2所示。

如圖3所示,根據(jù)應用場景,現(xiàn)有芯片主要分為兩大類:第1類是同時具有訓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應用的普及且需求量大,帶有輕量級訓練的終端芯片是必然的發(fā)展趨勢。AI的發(fā)展高度依賴海量數(shù)據(jù),優(yōu)質的大數(shù)據(jù)量數(shù)據(jù)庫對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)均在訓練過程中產(chǎn)生。但在很多應用的特定場景下無法獲取大量可用數(shù)據(jù),比如航拍目標基地、遙感衛(wèi)星獲取艦船、心腦血管堵塞醫(yī)學影像等。如何在只有某類小樣本情況下,通過在終端芯片上進行反饋參數(shù)優(yōu)化以提高用戶體驗是本文研究的重點。本文針對上述問題,對僅有推理的終端芯片提出一套解決方案。

【參考文獻】：
期刊論文
[1]人工智能在汽車自動駕駛中的應用[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)絡的發(fā)展及其在計算機視覺領域的應用[J]. 張順,龔怡宏,王進軍.  計算機學報. 2019(03)
[3]人工智能芯片技術研究[J]. 施羽暇.  電信網(wǎng)技術. 2016(12)



本文編號：2905825