移動(dòng)和嵌入式設(shè)備上也能直接玩機(jī)器學(xué)習(xí)？

最近，機(jī)器學(xué)習(xí)（ML）話題大熱，Arm也推出神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)軟件Arm NN。這是一項(xiàng)關(guān)鍵技術(shù)，可在基于 Arm 的高能效平臺(tái)上輕松構(gòu)建和運(yùn)行機(jī)器學(xué)習(xí)應(yīng)用程序。那么對(duì)于Arm NN，你又了解多少呢？

實(shí)質(zhì)上，該軟件橋接了現(xiàn)有神經(jīng)網(wǎng)絡(luò)框架（例如 TensorFlow或Caffe）與在嵌入式 Linux 平臺(tái)上運(yùn)行的底層處理硬件（例如 CPU、GPU 或新型Arm 機(jī)器學(xué)習(xí)處理器）。這樣，開發(fā)人員能夠繼續(xù)使用他們首選的框架和工具，經(jīng) Arm NN 無(wú)縫轉(zhuǎn)換結(jié)果后可在底層平臺(tái)上運(yùn)行。

機(jī)器學(xué)習(xí)需要一個(gè)訓(xùn)練階段，也就是學(xué)習(xí)階段（“這些是貓的圖片”），另外還需要一個(gè)推理階段，也就是應(yīng)用所學(xué)的內(nèi)容（“這是貓的圖片嗎？”）。訓(xùn)練目前通常在服務(wù)器或類似設(shè)備上發(fā)生，而推理則更多地轉(zhuǎn)移到網(wǎng)絡(luò)邊緣，這正是新版本 Arm NN 的重點(diǎn)所在。

對(duì)象識(shí)別是在嵌入式平臺(tái)上運(yùn)行的眾多機(jī)器學(xué)習(xí)工作負(fù)載之一

一切圍繞平臺(tái)

機(jī)器學(xué)習(xí)工作負(fù)載的特點(diǎn)是計(jì)算量大、需要大量存儲(chǔ)器帶寬，這正是移動(dòng)設(shè)備和嵌入式設(shè)備面臨的最大挑戰(zhàn)之一。隨著運(yùn)行機(jī)器學(xué)習(xí)的需求日益增長(zhǎng)，對(duì)這些工作負(fù)載進(jìn)行分區(qū)變得越來(lái)越重要，以便充分利用可用計(jì)算資源。軟件開發(fā)人員面臨的可能是很多不同的平臺(tái)，這就帶來(lái)一個(gè)現(xiàn)實(shí)問(wèn)題：CPU 通常包含多個(gè)內(nèi)核（在Arm DynamIQ big.LITTLE中，甚至還有多種內(nèi)核類型），還要考慮 GPU，以及許多其他類型的專用處理器，包括 Arm 機(jī)器學(xué)習(xí)處理器，這些都是整體解決方案的一部分。

Arm NN 這時(shí)就能派上用場(chǎng)。下圖中可以看出，Arm NN 扮演了樞紐角色，既隱藏了底層硬件平臺(tái)的復(fù)雜性，同時(shí)讓開發(fā)人員能夠繼續(xù)使用他們的首選神經(jīng)網(wǎng)絡(luò)框架。

Arm NN SDK 概覽（首次發(fā)布版本）

您可能已經(jīng)注意到，Arm NN 的一個(gè)關(guān)鍵要求是Compute Library，它包含一系列低級(jí)別機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)函數(shù)，面向Arm Cortex-ACPU 和Arm Mali GPU。我們的目標(biāo)是讓這個(gè)庫(kù)匯集針對(duì)這些函數(shù)的一流優(yōu)化，近期的優(yōu)化已經(jīng)展示了顯著的性能提升——比同等 OpenCV 函數(shù)提高了 15 倍甚至更多。如果您是Cortex-MCPU 的用戶，現(xiàn)在還有一個(gè)機(jī)器學(xué)習(xí)原語(yǔ)庫(kù)，也就是近期發(fā)布的CMSIS-NN。

Arm NN主要優(yōu)勢(shì)

有了 Arm NN，開發(fā)人員可以即時(shí)獲得一些關(guān)鍵優(yōu)勢(shì)：

更輕松地在嵌入式系統(tǒng)上運(yùn)行 TensorFlow 和 Caffe

Compute Library 內(nèi)部的一流優(yōu)化函數(shù)，讓用戶輕松發(fā)揮底層平臺(tái)的強(qiáng)大性能

無(wú)論面向何種內(nèi)核類型，編程模式都是相同的

現(xiàn)有軟件能夠自動(dòng)利用新硬件特性

與 Compute Library 相同，Arm NN 也是作為開源軟件發(fā)布的，這意味著它能夠相對(duì)簡(jiǎn)單地進(jìn)行擴(kuò)展，從而適應(yīng) Arm 合作伙伴的其他內(nèi)核類型。

適用于 Android 的 Arm NN

在2017年五月舉行的 Google I/O 年會(huì)上，Google 發(fā)布了針對(duì) Android 的 TensorFlow Lite，預(yù)示著主要新型 API 開始支持在基于 Arm 的 Android 平臺(tái)上部署神經(jīng)網(wǎng)絡(luò)。表面上，這與 Android 下的Arm NN SDK解決方案非常相似。使用 NNAPI 時(shí)，機(jī)器學(xué)習(xí)工作負(fù)載默認(rèn)在 CPU 上運(yùn)行，但硬件抽象層 (HAL) 機(jī)制也支持在其他類型的處理器或加速器上運(yùn)行這些工作負(fù)載。Google 發(fā)布以上消息的同時(shí)，我們的 Arm NN 計(jì)劃也進(jìn)展順利，這是為使用 Arm NN 的 Mali GPU 提供 HAL。今年晚些時(shí)候，我們還將為Arm 機(jī)器學(xué)習(xí)處理器提供硬件抽象層。

Arm 對(duì) Google NNAPI 的支持概覽

CMSIS-NN

CMSIS-NN 是一系列高效神經(jīng)網(wǎng)絡(luò)內(nèi)核的集合，其開發(fā)目的是最大程度地提升神經(jīng)網(wǎng)絡(luò)的性能，減少神經(jīng)網(wǎng)絡(luò)在面向智能物聯(lián)網(wǎng)邊緣設(shè)備的 Arm Cortex-M 處理器內(nèi)核上的內(nèi)存占用。我們開發(fā)這個(gè)庫(kù)的目的是全力提升這些資源受限的 Cortex CPU 上的神經(jīng)網(wǎng)絡(luò)推理性能。借助基于 CMSIS-NN 內(nèi)核的神經(jīng)網(wǎng)絡(luò)推理，運(yùn)行時(shí)/吞吐量和能效可提升大約 5 倍。

Arm NN 的未來(lái)發(fā)展

這只是 Arm NN 的第一步：我們還計(jì)劃添加其他高級(jí)神經(jīng)網(wǎng)絡(luò)作為輸入，對(duì) Arm NN 調(diào)試程序執(zhí)行進(jìn)一步的圖形級(jí)別優(yōu)化，覆蓋其他類型的處理器或加速器……請(qǐng)密切關(guān)注今年的發(fā)展！