本文將描述一種針對網(wǎng)絡(luò)邊緣設(shè)計的基于 NN 的關(guān)鍵短語檢測解決方案。這些二值化模型可在低功耗 UltraPlus? FPGA 上運行。本文將討論當(dāng)使用包含嘈雜背景（如音樂或聊天噪聲）的數(shù)據(jù)集訓(xùn)練 NN 時，如何在嘈雜環(huán)境中使用關(guān)鍵短語檢測。在這種情況下，神經(jīng)網(wǎng)絡(luò)使用公共數(shù)據(jù)集進行訓(xùn)練，以檢測“七”這個詞。關(guān)鍵短語檢測可用于廣泛的應(yīng)用，無需個人助理設(shè)備?？赡艿膽?yīng)用包括智能電燈開關(guān)、智能電視和 AVR，通過音量增大和減小等命令來管理設(shè)備。

一、引言

長期以來，使用語音命令來控制人機界面 （HMI） 一直是系統(tǒng)設(shè)計人員的目標(biāo)。可以追溯到 20 世紀中葉的流行科幻電視節(jié)目和電影，例如《星際迷航》和《星球大戰(zhàn)》，向我們暗示了語音世界的樣子。但事實證明，為現(xiàn)實生活中的消費類應(yīng)用開發(fā)低成本、高能效的解決方案是難以捉摸的。

然而，在過去幾年中，亞馬遜的 Alexa 和蘋果的 Siri 等流行的人工智能應(yīng)用程序的出現(xiàn)，以及它們將語音命令轉(zhuǎn)換為系統(tǒng)操作的能力，加速了向基于語音的 HMI 的遷移。這些快速進步為越來越多依賴關(guān)鍵短語檢測的智能家居解決方案打開了大門。如今，用戶可以要求 Alexa 在互聯(lián)網(wǎng)上訂購產(chǎn)品、開燈、鎖門、設(shè)置家庭恒溫器，甚至給草澆水。

通常，這些支持語音的 HMI 執(zhí)行識別云中的關(guān)鍵短語所需的計算。在許多情況下，設(shè)計師將他們的應(yīng)用程序插入到預(yù)先存在的基礎(chǔ)設(shè)施中，比如亞馬遜的 Alexa。然而，這種發(fā)展戰(zhàn)略面臨著一些限制。首先最重要的是成本。在云中的服務(wù)器上運行關(guān)鍵短語檢測算法的解決方案必須在每次訪問云中的資源時按分鐘付費。此外，構(gòu)建基于云的邊緣解決方案的開發(fā)人員必須向 NRE 支付費用，以針對特定設(shè)備訓(xùn)練他們的解決方案，然后為他們交付的每個解決方案支付版稅。將他們的設(shè)計插入現(xiàn)有基礎(chǔ)設(shè)施的設(shè)計人員將看到他們的成本隨著他們轉(zhuǎn)向需要更強大的處理器來獲取數(shù)據(jù)、分析數(shù)據(jù)的 Wi-Fi 模型而增加，

此外，依賴互聯(lián)網(wǎng)連接會帶來額外的風(fēng)險。如果連接中斷，使用互聯(lián)網(wǎng)連接將數(shù)據(jù)傳輸?shù)皆瓶赡軙?dǎo)致服務(wù)中斷。通過互聯(lián)網(wǎng)傳輸數(shù)據(jù)也存在潛在的黑客攻擊風(fēng)險。從用戶的角度來看，互聯(lián)網(wǎng)連接為侵犯隱私和安全問題打開了大門。依賴直接位于設(shè)備上的計算資源的邊緣解決方案避免了這些潛在問題。

二、新的方法

本文探討了一種不同的方法，可以為位于網(wǎng)絡(luò)邊緣的設(shè)備帶來成本更低的關(guān)鍵短語檢測。利用在開發(fā)高精度、緊湊和低成本的二值化神經(jīng)網(wǎng)絡(luò) （NN） 模型方面取得的進展，以及對新一代極低功耗現(xiàn)場可編程門陣列 （FPGA） 的改進，設(shè)計人員現(xiàn)在可以構(gòu)建關(guān)鍵短語檢測解決方案，以執(zhí)行所有計算都在邊緣，從而消除了與云連接的 NN 關(guān)鍵詞檢測實施相關(guān)的連接性、安全性和隱私問題。

通過在本地執(zhí)行關(guān)鍵短語檢測，與基于云的解決方案相比，此設(shè)計策略可顯著節(jié)省成本。它也不依賴其他生態(tài)系統(tǒng)來運行。如果基于云的解決方案中的 Internet 連接失敗，則系統(tǒng)將失敗。本地的、基于邊緣的解決方案不會冒這種風(fēng)險。安全和隱私問題不是威脅。本地解決方案更易于用戶設(shè)置和運行。最后，使用萊迪思的超低功耗 iCE40 Ultra Plus FPGA，這種方法為設(shè)計人員提供了顯著的節(jié)能效果，這是電池供電設(shè)備的一個重要考慮因素。例如，本演示文稿中描述的解決方案僅消耗 7 mW。

將負擔(dān)得起的智能家居應(yīng)用帶到邊緣的關(guān)鍵步驟是開發(fā)能夠在低密度、低功耗 FPGA 上運行的二值化 NN 模型。在云端使用浮點計算的深度學(xué)習(xí)技術(shù)對于邊緣的消費者應(yīng)用程序是不切實際的。相反，設(shè)計人員必須開發(fā)計算效率高的解決方案，既要滿足精度目標(biāo)，又要符合消費市場的成本、尺寸和功率限制。因此，在邊緣工作的設(shè)計人員必須使用盡可能少的數(shù)學(xué)運算。

設(shè)計人員可以簡化計算的一種方法是從浮點切換到定點甚至基本整數(shù)。通過補償浮點到定點整數(shù)的量化，使用二值化神經(jīng)網(wǎng)絡(luò)的設(shè)計人員可以開發(fā)出訓(xùn)練更快、精度更高的解決方案，并將定點、低精度整數(shù)神經(jīng)網(wǎng)絡(luò)的性能提高到接近浮點版本的水平。 為了構(gòu)建簡單的邊緣設(shè)備，訓(xùn)練必須創(chuàng)建具有 1 位權(quán)重的 NN 模型。這些模型稱為二值化神經(jīng)網(wǎng)絡(luò) （BNN）。

通過使用 1 位值而不是更大的數(shù)字，BNN 可以消除乘法和除法的使用。這允許使用 XOR 和彈出計數(shù)來計算卷積，從而導(dǎo)致顯著的成本和高達 16 倍的功耗節(jié)省。借助當(dāng)今的 FPGA，設(shè)計人員擁有了一個高度靈活的平臺，可以提供他們所需的所有存儲器、邏輯和 DSP 資源。

三、神經(jīng)網(wǎng)絡(luò)實現(xiàn)

下面的討論描述了一個關(guān)鍵短語檢測解決方案的示例，該解決方案專為邊緣應(yīng)用而設(shè)計，并在具有 BNN 軟核的 iCE40 UltraPlus FPGA 中實現(xiàn)。在正常操作期間，關(guān)鍵短語檢測實現(xiàn)會在消耗不到 1mW 的情況下偵聽聲音。一旦系統(tǒng)檢測到聲音，它就會激活 1 秒的緩沖并調(diào)用 BNN。BNN 直接對原始輸入進行操作，而不是傳統(tǒng)的頻譜圖和 MFCC 預(yù)處理。代表 1 秒音頻的 16K 原始樣本通過重疊的 1D 卷積層，變成 30 個 32x32x3 圖像，每個圖像代表一個 10ms 音頻樣本。然后將輸出傳遞到主 BNN 進行處理。

BNN 有四層深，每層執(zhí)行如下所示的功能：

二進制卷積是輸入數(shù)據(jù)和 1 位權(quán)重的 1 位乘法。在這種情況下，乘法被 XOR 函數(shù)代替。Batch Normalization 和 Scale 在 BNN 訓(xùn)練階段對激活進行歸一化并提供幫助。整流線性單元 （ReLu） 將低于特定閾值的數(shù)據(jù)設(shè)置為 0，高于相同閾值的數(shù)據(jù)設(shè)置為 1。對圖像的每個相鄰像素執(zhí)行池化，并選擇概率最高的有意義的像素。此功能減少了后續(xù)步驟所需的計算量。全連接層通常是最后一層，它占用前一層中的每個神經(jīng)元。它對下一層的神經(jīng)元也有一定的影響。這個函數(shù)通常計算量很大，因此它是作為最后一個操作執(zhí)行的，其中神經(jīng)元顯著減少。

BNN 使用 GPU 進行訓(xùn)練，并運行 Café 和 TensorFlow 等標(biāo)準訓(xùn)練工具。使用的訓(xùn)練數(shù)據(jù)集是一個公共訓(xùn)練集，包含 65，000 個 1K+ 人 30 個短詞的 1 秒長的話語。這個階段被稱為訓(xùn)練階段。然后，訓(xùn)練工具的輸出通過萊迪思半導(dǎo)體的 NN 編譯器工具進行格式化，以供 FPGA 設(shè)計使用。您可以將權(quán)重視為邊緣硬件推理期間要使用的關(guān)鍵短語的模板。選擇的關(guān)鍵詞是“七”。

四。系統(tǒng)實施

為了演示系統(tǒng)的功能，工程師使用了帶有 iCE40 UltraPlus FPGA 的 HiMax HM01B0 UPduino 擴展板。這是一款低成本的 Arduino 外形板，旨在展示 FPGA 的功能。該板有兩個直接連接到 FPGA 的 I2S 麥克風(fēng)、用于 FPGA 設(shè)計的外部閃存和權(quán)重激活存儲。它還具有用于指示檢測到關(guān)鍵短語的 LED。用戶可以直接對著麥克風(fēng)講話。一旦檢測到關(guān)鍵短語，LED 就會亮起。

五、業(yè)績

在此應(yīng)用中，F(xiàn)PGA 設(shè)計頻率和處理長度可以換取功耗。在 27MHz 時，16K 原始樣本，相當(dāng)于 1 秒的音頻處理，可以在 25ms 內(nèi)處理，同時消耗 7.7mW。當(dāng)頻率降至 13.5MHz 時，功耗降至 4.2mW，同樣的 1 秒音頻樣本在 50ms 內(nèi)處理完畢。

關(guān)鍵短語檢測通常必須在嘈雜的環(huán)境中運行，而無需添加額外的硬件來消除噪聲和回聲。該實現(xiàn)通過使用包含嘈雜背景的數(shù)據(jù)集訓(xùn)練 NN 來實現(xiàn)這一目標(biāo)，而無需定位和波束成形。訓(xùn)練有素的 NN 像人類一樣檢測關(guān)鍵詞，但有類似的限制。帶有各種隨機人群噪音水平（咖啡廳、會議等）的數(shù)據(jù)集被添加到關(guān)鍵詞中。用較高噪聲水平訓(xùn)練的 NN 對噪聲的魯棒性更強，但需要更響亮的關(guān)鍵短語。

BNN 可以檢測多達十個 1 秒的關(guān)鍵短語，非常適合通過語音進行 HMI。為了提高檢測精度，僅在連續(xù)檢測發(fā)生時才使用時域過濾器來報告關(guān)鍵短語檢測。該設(shè)計為單個關(guān)鍵短語提供高達 99% 的準確性，為多達 5 個關(guān)鍵短語提供高達 90% 的準確性。

結(jié)論

將人工智能帶到邊緣會帶來幾個重大挑戰(zhàn)。然而，它也提供了巨大的機會。正如該項目所展示的，使用 FPGA 實現(xiàn) BNN 而不是基于云的資源將 AI 構(gòu)建到設(shè)備中可以顯著降低硬件成本，同時加快響應(yīng)時間。同時，保持本地處理可以提高安全性并節(jié)省寶貴的帶寬和服務(wù)器使用成本。

審核編輯：郭婷