工業(yè)應(yīng)用中FPGA上的神經(jīng)元網(wǎng)絡(luò)(CNN)

深度學(xué)習(xí)應(yīng)用憑借其在識別應(yīng)用中超高的預(yù)測準(zhǔn)確率，在圖像處理領(lǐng)域獲得了極大關(guān)注，這勢必將提升現(xiàn)有圖像處理系統(tǒng)的性能并開創(chuàng)新的應(yīng)用領(lǐng)域。

利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)等深層神經(jīng)網(wǎng)絡(luò)的解決方案，可以逐漸取代基于算法說明的傳統(tǒng)圖像處理工作。盡管圖像預(yù)處理、后期處理和信號處理仍采用現(xiàn)有方法進(jìn)行，但在圖像分類應(yīng)用中（缺陷、對象以及特征分類），深度學(xué)習(xí)變得愈加重要。

利用深度學(xué)習(xí)處理某些任務(wù)更簡單，效果更好，甚至某些任務(wù)只能用深度學(xué)習(xí)方法來解決。深度學(xué)習(xí)正在逐漸威脅傳統(tǒng)圖像處理方法的地位——特別是處理任務(wù)中包含有復(fù)雜變量時（如反射面、光照不佳的環(huán)境、光照變化或移動的對象）。

深度學(xué)習(xí)具有平移不變性的優(yōu)點，這部分使用傳統(tǒng)處理方式需要大量的投入。但如果需要對圖像中的對象或錯誤進(jìn)行定位、標(biāo)定、代碼讀取或后期處理，則傳統(tǒng)算法更具有優(yōu)勢。

圖1：傳統(tǒng)圖像處理及深度學(xué)習(xí)的適用范圍對比。

深度學(xué)習(xí)包括神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)、網(wǎng)絡(luò)的實現(xiàn)和推斷運算、網(wǎng)絡(luò)的CNN算法在圖像上的執(zhí)行與分類結(jié)果的輸出。用于訓(xùn)練的數(shù)據(jù)越多，分類的預(yù)測精度就會越高。由于數(shù)據(jù)量龐大，訓(xùn)練神經(jīng)網(wǎng)絡(luò)時通常選用GPU。

圖2：訓(xùn)練數(shù)據(jù)越多，預(yù)測精度越高。

速度與精度

基于各種不同技術(shù)的處理器，是否都能滿足工業(yè)圖像處理中的特殊需求呢？CNN應(yīng)用必須執(zhí)行快速（推斷）同時滿足極低的時延。在滿足處理速度的同時，還要滿足高帶寬、低發(fā)熱、實時性以及供貨周期長這些需求，僅僅使用傳統(tǒng)CPU或GPU是難以實現(xiàn)的，它們通?？梢詾榉枪I(yè)領(lǐng)域的圖像處理任務(wù)提供更合適的解決方案，在這些領(lǐng)域的識別任務(wù)盡管同樣復(fù)雜，但相對較低的數(shù)據(jù)吞吐性能即可滿足需求。各個平臺之間區(qū)別很大，僅從技術(shù)指標(biāo)方面就能看出，它們無法應(yīng)用于高要求的任務(wù)。盡管GPU的推斷耗時比CPU或特殊芯片短得多（如TPU -TensorFlow Processing Units、TensorFlow處理單元以及Intel Movidius處理器），但是其數(shù)據(jù)吞吐量這項指標(biāo)只能達(dá)到大約每秒50MB這樣一個較低的水平。

在通常的圖像處理應(yīng)用中，只需要對少數(shù)幾個特性進(jìn)行分類，因此選擇小型或中型網(wǎng)絡(luò)通常就足以應(yīng)對，AlexNet、SqueezeNet或MobileNet都是這類網(wǎng)絡(luò)的典型代表。這幾種網(wǎng)絡(luò)類型在機(jī)器視覺領(lǐng)域，預(yù)測精度、網(wǎng)絡(luò)大小和計算速度以及帶寬這幾方面有著良好的平衡。這里可以很明顯地看到，通過選擇合適的網(wǎng)絡(luò)，可以在犧牲小部分檢測精度的同時，獲得數(shù)據(jù)吞吐量方面的極大提高，同時也為優(yōu)化資源和提高分類質(zhì)量提供了可能性。

圖3：《對用于實際應(yīng)用的深層神經(jīng)網(wǎng)絡(luò)模式的分析》，Alfredo Canziani、Adam Paszke、Eugenio Culurciello (2017)

推斷應(yīng)用中的FPGA和SoC

在很多圖像處理任務(wù)的需求中，特別是機(jī)器視覺領(lǐng)域，F(xiàn)PGA可以作為獨立處理單元或與ARM處理器一起構(gòu)成SoC。FPGA具有高度并行處理能力、穩(wěn)定的圖像采集能力以及相對于CPU和GPU更高的運算性能、圖像幀率和帶寬?；贔PGA的CNN應(yīng)用可完成高帶寬的分類工作，這尤其適用于高速在線檢測。

FPGA支持直接在圖像采集卡或在嵌入式視覺設(shè)備上處理圖像數(shù)據(jù)——從采集到輸出以及外圍設(shè)備控制——且無任何CPU占用，這個特點讓FPGA特別適用于高強度運算的應(yīng)用，如CNN。因此未配備GPU的小型PC也能使用，從而可降低整體系統(tǒng)成本。在工業(yè)環(huán)境溫度下，F(xiàn)PGA的能效比GPU高十倍，是嵌入式設(shè)備的理想之選，這顯著擴(kuò)大了深度學(xué)習(xí)在工業(yè)4.0以及無人機(jī)和自動駕駛領(lǐng)域的應(yīng)用。

GPU擁有更高的計算精度和更高的預(yù)測精度，但這些是以更短的供貨周期、更高的功耗以及更低的數(shù)據(jù)吞吐量為代價的。在一個示范性的對比中，基于FPGA的解決方案的數(shù)據(jù)處理性能是使用GPU的類似解決方案的7.3倍左右。

圖4：FPGA的性能大約是GPU性能的7.3倍

優(yōu)化FPGA資源

在深度學(xué)習(xí)領(lǐng)域，存在各種不用降低分類質(zhì)量就能節(jié)省資源的方法。其中之一是通過圖像縮放來降低數(shù)據(jù)吞吐量，或者改變數(shù)據(jù)位深：我們的項目經(jīng)驗表明，數(shù)據(jù)的位深對后來的預(yù)測精度影響甚微。將數(shù)據(jù)位深32位浮點數(shù)降為8位定點數(shù)或整數(shù)，可以讓FPGA將節(jié)省下來的資源用于更大的網(wǎng)絡(luò)架構(gòu)，或?qū)崿F(xiàn)更高的數(shù)據(jù)吞吐量，從而實現(xiàn)處理速度的提升，這對例如焊縫檢測或機(jī)器人技術(shù)這類應(yīng)用非常有意義。通過類似的預(yù)處理降低數(shù)據(jù)量，讓更適合FPGA的小型網(wǎng)絡(luò)的使用成為可能，這樣的網(wǎng)絡(luò)通常足以處理缺陷特征較少的簡單分類任務(wù)。

32位浮點GPU雖然擁有更高的計算精度，但這一點對深度學(xué)習(xí)的推斷而言無關(guān)緊要，在FPGA中使用8位定點運算的網(wǎng)絡(luò)，能為大多數(shù)深度學(xué)習(xí)應(yīng)用提供足夠精確的預(yù)測精度，誤差幾乎可以忽略不計。如果需要特別高的計算精度，可以采取一種資源折中策略，在更大的FPGA上使用16位定點運算。

現(xiàn)在已經(jīng)有了能完美滿足工業(yè)生產(chǎn)的高速處理需求的解決方案，通常使用高性能圖像采集卡或者嵌入式視覺設(shè)備，例如使用大型FPGA和高分辨率傳感器的智能相機(jī)。利用多種多樣的FPGA資源，可以處理更復(fù)雜的架構(gòu)以及應(yīng)用。有了更高的數(shù)據(jù)帶寬，能夠在FPGA上對整幅圖像進(jìn)行處理，或進(jìn)行額外的圖像預(yù)處理以及后期處理，例如對GigE Vision相機(jī)的最大數(shù)據(jù)輸出帶寬的深度學(xué)習(xí)運算也完全能夠滿足。

結(jié)語

與傳統(tǒng)圖像處理相比，深度學(xué)習(xí)應(yīng)用需要在訓(xùn)練方面投入較多時間，但是相較其帶來的可靠性和處理速度，這些投入是值得的。圖像采集卡和（嵌入式）視覺設(shè)備上所使用的FPGA技術(shù)，令神經(jīng)網(wǎng)絡(luò)應(yīng)用于工業(yè)級應(yīng)用成為可能，這需要強大的實時處理能力、低延遲（實時在線檢測）、高數(shù)據(jù)吞吐量、高帶寬和低功耗低發(fā)熱（嵌入式視覺應(yīng)用），以及高分辨率。FPGA及圖像采集卡較長的供貨周期保障了投資安全性，同時由于系統(tǒng)可快速的整合且整體系統(tǒng)成本較低，用戶可以節(jié)省長期支出。