浅析图像视频类AI芯片的灵活度

兼容性和灵活度是芯片快速杀入新市场、扩大市场范围、快速适应客户需求，减少开发周期的关键特性。目前深度学习的网络结构已走向了多样化，出现了大量的算法变种、更多的算子和复杂层次结构，这对芯片的支撑灵活度能力提出了挑战。本文通过列举目前图像视频类的典型算法、典型网络结构、典型平台和接口等方面来分析AI芯片的灵活度范围。

目前，DNN加速器会收敛于三类形态，第一类是支持通用运算的DSP或者GPU，它既可以实现神经网络运算，也可以实现其他数学运算或者通用程序，例如图像处理和语音处理，其典型特征是具有通用指令集和支持类C编程，如OpenCL;第二类是适用于通用数学运算的可编程架构，控制流程往往收敛于图计算表达或者数据流图，其特点是可以支持通用数学计算算子，也称作计算原语;第三类是针对若干典型神经网络结构设计的专用处理器或加速器，具有很高的能效，但没有考虑处理其他类型的运算。要了解神经网络的基本算子，可以参考“从NNVM和ONNX看AI芯片的基础运算算子”。第一类和第三类往往具有一个数量级甚至两个数量级的性能差异。而一般做到第二类才能更容易的支持灵活的训练算法（而不仅仅是推理或单一训练算法）。各个类别的典型代表如表所示。

表： 由最灵活到最不灵活的三类加速器

（在此不区分芯片还是IP）

注1: 具体可以参考唐博士的“AI/ML/DL ICs and IPs”列表中“Traditional IP Vendors”部分。

注2: 由GraphCore公开资料推测。

值得注意的是，三者没有明显的界限，厂商产品可能迅速更新，扩充灵活度后，第三类也会扩展成前两类。另外，国内厂商的设计第三类较多，但也有前两类设计出现，此处未列出国内的设计。

由于篇幅受限，本文仅讨论灵活度最低的一个类别，即仅用于神经网络的加速器。另外本文只考虑推理（Inference）而不考虑训练，主要关注视频（图像）类应用。此处，我们将结合现今CNN的各种网络拓扑结构和参数使用情况，提供一个灵活度参考表。

1. 卷积算子的参数覆盖需求

二维卷积操作是深度学习中最重要的操作，具有平移不变性，且相比MLP而言具有很少的参数量而不易训练过拟合。这使得深度学习之所以取得图像处理性能的飞跃提升的关键。卷积网的参数较多，总结起来如下表所示。

转自：StarryHeavensAbove

完整内容请点击“阅读原文”