黑芝麻智能山海開(kāi)發(fā)工具鏈

剪枝（Pruning）: 集成先進(jìn)的SOTA剪枝算法，能夠自動(dòng)確定最優(yōu)剪枝策略，以滿(mǎn)足特定硬件需求，從而在保持模型精度的同時(shí)顯著減少計(jì)算和I/O開(kāi)銷(xiāo)

量化（Quantization）: 當(dāng)前車(chē)載領(lǐng)域深度學(xué)習(xí)模型復(fù)雜多變，在異構(gòu)硬件上量化繁瑣，部署過(guò)程中為了降低精度損失需投入大量精力。為了降低用戶(hù)量化部署開(kāi)發(fā)成本，BST-DAL量化支持多引擎混合精度量化，用戶(hù)改動(dòng)極少代碼即可在訓(xùn)練環(huán)境中適配QAT功能

訓(xùn)練（Training）：采用模塊化設(shè)計(jì)，與PyTorch生態(tài)無(wú)縫對(duì)接，簡(jiǎn)單易用，保證量化和剪枝后模型精度

蒸餾+硬件匹配（Distillation+Fitting）: 結(jié)合蒸餾技術(shù)自動(dòng)搜索最優(yōu)輕量化模型結(jié)構(gòu)，支持參數(shù)、layer剪枝和Transformer結(jié)構(gòu)輕量化

性能與精度兼得，開(kāi)發(fā)效率優(yōu)化

黑芝麻智能BST-DAL深度學(xué)習(xí)加速庫(kù)工具，相比于眾多開(kāi)源項(xiàng)目，擁有更快的收斂速度、更高的精度、更適應(yīng)芯片特性的加速算法、更簡(jiǎn)便的API及更友好的用戶(hù)體驗(yàn)。

以華山系列A1000芯片為例為例，使用BST-DAL深度學(xué)習(xí)加速庫(kù)處理主流模型ResNet50、Yolov5和LaneAF，可以在保證剪枝后模型精度的同時(shí)，減少超過(guò)20%的I/O數(shù)據(jù)流，提升模型性能。

同時(shí)，使用BST-DAL的混合精度量化功能可以極大保證模型量化后精度，使其基本與原始浮點(diǎn)一致。

黑芝麻智能BST-DAL加速庫(kù)還有如下功能的亮點(diǎn)；

集成多種SOTA優(yōu)化算法，在保證模型精度的同時(shí)提升模型性能，確保性能與精度兼得，使得模型在各種復(fù)雜任務(wù)和場(chǎng)景下都能表現(xiàn)出色。

DAL訓(xùn)練模型可實(shí)現(xiàn)最高可達(dá)10倍的性能提升，同時(shí)維持模型精度，為大模型訓(xùn)練和部署提供了更好的解決方案。

在PC端即可進(jìn)行模型精度驗(yàn)證，加速開(kāi)發(fā)周期，開(kāi)發(fā)者可以更快地進(jìn)行模型迭代和調(diào)試，從而加快了產(chǎn)品上市速度和響應(yīng)市場(chǎng)需求的能力 。

自動(dòng)化的模型配置搜索，簡(jiǎn)化了優(yōu)化流程 ，降低了人工干預(yù)的需求，確保了模型的最佳性能和穩(wěn)定性。

基于靜態(tài)圖的QAT量化，只需少量代碼即可實(shí)現(xiàn)，降低用戶(hù)使用量化工具的學(xué)習(xí)成本，提高了模型在嵌入式和移動(dòng)設(shè)備上的部署效率。

支持混合加速引擎，可一次性對(duì)多段模型進(jìn)行優(yōu)化，更好地適應(yīng)復(fù)雜任務(wù)和多模態(tài)數(shù)據(jù)處理需求 。

支持復(fù)雜的模型拓?fù)浣Y(jié)構(gòu)，特別是Transformer模型。 黑芝麻智能BST-DAL為深度學(xué)習(xí)研究者和開(kāi)發(fā)者提供了一個(gè)全面、高效的解決方案，顯著降低了模型優(yōu)化和適配的復(fù)雜性，同時(shí)提高了開(kāi)發(fā)效率和模型性能。

全面賦能客戶(hù)，助力部署落地一體化流程

作為中國(guó)本土智能汽車(chē)芯片的供應(yīng)商之一，黑芝麻智能深知軟硬協(xié)同的重要性，以“芯片+開(kāi)發(fā)工具鏈”的配套模式支持客戶(hù)提升研發(fā)效率，降低綜合成本，加速產(chǎn)品量產(chǎn)。工具鏈及軟件是否完善是體現(xiàn)自動(dòng)駕駛芯片易用性的重要指標(biāo)。配合華山系列自動(dòng)駕駛計(jì)算芯片，黑芝麻智能發(fā)布的山海開(kāi)發(fā)工具鏈能夠提供全面的開(kāi)發(fā)包及算法開(kāi)發(fā)所需的可視化軟件工具，滿(mǎn)足模型量化、優(yōu)化、編譯、仿真、部署、調(diào)試等各個(gè)開(kāi)發(fā)環(huán)節(jié)的需要，并納入深度學(xué)習(xí)參考模型庫(kù)轉(zhuǎn)換用例，大幅降低算法開(kāi)發(fā)門(mén)檻，幫助客戶(hù)進(jìn)行靈活的模型遷移、部署和整合。目前，山海開(kāi)發(fā)工具鏈已支持的算子數(shù)量已超過(guò)140個(gè)。

黑芝麻智能與合作伙伴最快僅耗時(shí)5周即完成了包含感知算法部署在內(nèi)的所有上車(chē)適配工作的聯(lián)合開(kāi)發(fā)，使用山海工具鏈可快速靈活適配第三方感知算法，配套技術(shù)開(kāi)發(fā)團(tuán)隊(duì)也有效提升了產(chǎn)品落地速度。得益于自主研發(fā)的IP核與通用計(jì)算加速的設(shè)計(jì)理念，山海工具鏈在逐步支持BEV和Transformer模型的部署和硬件加速，以支撐目前行業(yè)對(duì)無(wú)高精地圖、城市領(lǐng)航等功能的迫切需求。

審核編輯：劉清