在嵌入式設計中常常需要將應用程序打包到有限的片上內(nèi)存中，現(xiàn)在，將人工智能神經(jīng)網(wǎng)絡模型壓縮到有限的存儲器中也是如此。對于傳統(tǒng)軟件，就某些方面而言，做到這一點可謂更具挑戰(zhàn)，因為基于神經(jīng)網(wǎng)絡的系統(tǒng)中的工作內(nèi)存都是“內(nèi)部循環(huán)”的，要求換出到DDR內(nèi)存，可能會降低性能。另外，在推理過程中重復訪問DDR也會增加邊緣設備的典型低功耗預算，這一點也同樣很難令人滿意。更大的片上存儲器是解決問題方法之一，但是會增加產(chǎn)品成本。綜上所述，最佳解決方案是盡可能高效地將模型打包到可用內(nèi)存中。

眾所周知，在編譯人工智能神經(jīng)網(wǎng)絡模型以便在邊緣設備上運行時，有一些量化技術可以縮小此模型的大小，如將浮點數(shù)據(jù)和權重值轉換為定點，然后進一步縮小為INT8或更小的值。想象一下，如果還能更進一步會怎樣。在本文中，我將介紹幾種圖優(yōu)化技術，助您在2MB的二級緩存中安裝更多量化模型，但僅僅量化是無法完成安裝的。

優(yōu)化人工智能神經(jīng)網(wǎng)絡圖中的緩沖區(qū)分配

▲圖1.一個簡單的人工智能圖

（Op代表運算符；E代表外部輸入；

C代表常數(shù)（權重）；V代表變量；T代表張量）

人工智能神經(jīng)網(wǎng)絡模型表示為圖形并作為圖形來管理，其中的運算是通過緩沖區(qū)相互連接的節(jié)點進行的。這些緩沖區(qū)固定分配在內(nèi)存中，大小在編譯圖時確定，用于保存圖中的中間計算結果或輸入和輸出。在所有圖中，流水關系圖是最基本的一種，但更典型的簡單圖如圖1所示。

我們的目標是讓編譯器優(yōu)化緩沖區(qū)內(nèi)存總需求。想想簡單的人工智能神經(jīng)網(wǎng)絡圖中可能的分配序列（圖2中的左圖）。首先要明白，圖中的不同運算需要不同大小的緩沖區(qū)，并且在進行下一波處理之前，將不再需要已完成運算的輸入緩沖區(qū)。讀取緩沖區(qū)A（此處分配有800K字節(jié)），就可以在后續(xù)運算中重復使用了，緩沖區(qū)B也是如此，依此類推。在左圖出現(xiàn)分支時，先將緩沖區(qū)A和B分配給了右側分支，之后則必須為左側分支分配一個新的緩沖區(qū)C。

▲圖2.說明緩沖區(qū)分配的簡單圖

（右圖在左圖的基礎上，將緩沖區(qū)B和C互換

并增加了緩沖區(qū)B的大小，得到了改善）

從這個例子中不難看出，一開始就將緩沖區(qū)B的大小增加到1000K，稍后再在左側分支中重復使用B的全部大小，右側分支中緩沖區(qū)C就只需要額外10K內(nèi)存，如右圖所示。左/右內(nèi)存需求差異明顯。左圖需要2.5MB (800K+700K+1000K)，而修改順序后的右圖只需要 1.81MB(800K+1000K+10K)。

在一般人工智能神經(jīng)網(wǎng)絡圖中找出最優(yōu)排序就是眾所周知的0-1背包問題。我們展開了初步測試，研究這種優(yōu)化如何改善打包到固定大小L2緩存的效果。即使是當下初步階段，結果也相當不錯。我們測試了幾種常見網(wǎng)絡在2MB和4MB L2緩存中的安裝效果。優(yōu)化前，只有13%的模型可以安裝在2MB內(nèi)存中，38%的模型可以安裝在4MB內(nèi)存中。優(yōu)化后，66%的模型可以安裝在2MB內(nèi)存中，83%的模型可以安裝在4MB內(nèi)存中。僅這一項優(yōu)化就值得我們努力，我們的目標是確保更多模型可以完全在片上內(nèi)存中運行。

通過合并緩沖區(qū)優(yōu)化人工智能神經(jīng)網(wǎng)絡模型

在卷積人工智能神經(jīng)網(wǎng)絡模型中，經(jīng)過前幾層處理后，緩沖區(qū)大小通常會縮小。這種結果表明，一開始分配的大緩沖區(qū)可以通過與稍后需要的較小緩沖區(qū)共享空間得到更高效的利用。圖3說明了這種可能性。

▲圖3.不同的簡單圖

（最初為緩沖區(qū)A分配的大小可以稍后由左右分支共享，

此處的C緩沖區(qū)源自最初的A緩沖區(qū)）

我們試著進行優(yōu)化，看看這種合并對內(nèi)存總需求有何影響。在一系列無比熟悉的網(wǎng)絡中，我們發(fā)現(xiàn)緩沖區(qū)總大小減小了15%到35%。再次重申一遍，這些改進非常具有吸引力。

?

要點

?

我們通過這些優(yōu)化，運行各種主流卷積人工智能神經(jīng)網(wǎng)絡模型，從檢測到分類到細分，再到RNN模型不一而足。大多數(shù)情況下，模型完全遷移至了4MB二級緩存，某些情況下，模型遷移至了二級緩存中，只有一部分還留在DDR內(nèi)存中。幾乎所有模型都在打包方面呈現(xiàn)出巨大改進。

即使你的人工智能神經(jīng)網(wǎng)絡模型無法安裝在片上內(nèi)存，也并非無法優(yōu)化。在人工智能編譯器階段可以對緩沖區(qū)進行優(yōu)化，大幅壓縮模型總大小。在CEVA，我們很樂意與你討論以上問題和其他想法，以便進一步優(yōu)化人工智能神經(jīng)網(wǎng)絡模型的內(nèi)存使用。

識別右側二維碼

立即了解CEVA

更多信息

?

本文作者：Rami Drucker, Machine Learning SW Architect, CEVA