你有沒有被問過，“你不能用人工智能來提高我們系統(tǒng)的性能嗎？”

或者，“你能否通過將人工智能融入我們的設(shè)備來為我們的設(shè)備增加更多價(jià)值？”

人工智能、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)……人工智能應(yīng)用正在呈指數(shù)級(jí)擴(kuò)展，沒有一天不聽這些話。另外，有很多人有同樣的想法——“我很感興趣，但即使我研究了一點(diǎn)，我也不太明白如何使用它。我不知道如何在我的工作中使用它，我無法想象它會(huì)給我的工作帶來什么價(jià)值。”

在這篇博客中，我想介紹使用瑞薩嵌入式 AI 處理器 - RZ/V 系列的軟件包進(jìn)行 AI 評(píng)估。

什么是人工智能？

如果您已經(jīng)熟悉 AI 和深度學(xué)習(xí)，這可能沒有必要，但我想先回顧一下有關(guān) AI 的一些基礎(chǔ)知識(shí)。

人工智能 （AI）。許多書籍和網(wǎng)站都以各種方式解釋了這一點(diǎn)，例如人工智能可以像專業(yè)人士一樣下棋，或者只需要求它打開房間里的燈。但是，我想專注于人工智能的最狹義定義：使用神經(jīng)網(wǎng)絡(luò)技術(shù)的人工智能，特別是——視覺人工智能——可以對(duì)圖像進(jìn)行各種識(shí)別和判斷。

神經(jīng)網(wǎng)絡(luò)。如圖 1 所示，生物體大腦中的神經(jīng)接收來自多個(gè)其他神經(jīng)元的輸入，并將它們傳送到下一個(gè)神經(jīng)元。眾所周知，記憶、識(shí)別和判斷是基于兩種信號(hào)的組合：來自輸入側(cè)的信號(hào)被使用的強(qiáng)度（加權(quán)）以及加權(quán)后每個(gè)輸入的總和如何傳輸?shù)捷敵鰝?cè)（激活功能）。

使用神經(jīng)網(wǎng)絡(luò)的人工智能模仿這種機(jī)制，通過大量的算術(shù)處理來進(jìn)行各種識(shí)別和判斷，例如對(duì)多個(gè)輸入進(jìn)行加權(quán)、求和，然后通過激活函數(shù)將結(jié)果傳遞到下一個(gè)階段。

以 3x3 卷積運(yùn)算為例，它經(jīng)常在 Vision AI 中用于量化輸入圖像的特征。圖像首先被細(xì)分為 3 像素 x 3 像素的圖像。對(duì)每個(gè)值（像素密度）進(jìn)行加權(quán)，并使用激活函數(shù)將這些值的總和作為輸出值發(fā)送到下一個(gè)階段。（圖2）

圖 2 神經(jīng)網(wǎng)絡(luò)的 3x3 卷積運(yùn)算示例

這個(gè)過程首先在輸入圖像的整個(gè)表面上進(jìn)行，然后是由輸出創(chuàng)建的下一個(gè)圖像（因此它不完全是已經(jīng)可以看作圖像的數(shù)據(jù)，它被稱為 - 特征值，這意味著抽象輸入圖像特征的數(shù)據(jù)）被發(fā)送到下一個(gè)重復(fù)相同過程的神經(jīng)網(wǎng)絡(luò)。

即使是簡單的圖像識(shí)別，比如區(qū)分?jǐn)?shù)字和字母，也需要幾層這樣的計(jì)算，而一般的物體識(shí)別需要幾十層這樣的計(jì)算，所以通過重復(fù)無數(shù)次的操作，我們就可以實(shí)現(xiàn)圖像識(shí)別，比如確定數(shù)字5 是 5 或從狗的圖像中識(shí)別狗的位置。

簡而言之，最大的區(qū)別在于沒有人工智能的傳統(tǒng)計(jì)算機(jī)軟件——人們思考他們想要處理什么（算法）并構(gòu)建程序——而使用神經(jīng)網(wǎng)絡(luò)的人工智能——使用大量輸入和自動(dòng)準(zhǔn)備處理所需的內(nèi)部數(shù)據(jù)（加權(quán)參數(shù)）。換句話說，在人工智能中，主角不是程序，而是數(shù)據(jù)。因此，雖然傳統(tǒng)的軟件開發(fā)側(cè)重于編程，但人工智能開發(fā)中最重要和最耗時(shí)的部分是準(zhǔn)備加權(quán)參數(shù)（學(xué)習(xí)）的過程，以便它能夠以必要的精度和速度。

我們?cè)诖私榻B的 AI 評(píng)估軟件包使用了 PyTorch 等 AI 框架提供的預(yù)訓(xùn)練模型，因此您可以評(píng)估 AI 的圖像推理執(zhí)行情況，而無需耗時(shí)的學(xué)習(xí)過程。

讓我們考慮一個(gè)視覺 AI 評(píng)估的具體說明。

需要什么？

無需從一開始就購買評(píng)估板。在這篇博客中，我將幫助您體驗(yàn)嵌入式 AI 處理器 RZ/V 系列的 Vision AI 實(shí)現(xiàn)流程，僅使用免費(fèi)的開源軟件（以下簡稱 OSS）和瑞薩電子在網(wǎng)絡(luò)上免費(fèi)提供的軟件包。

*1 PyTorch、PyTorch 徽標(biāo)和任何相關(guān)標(biāo)記是 Facebook， Inc. 的商標(biāo)。

*2 TensorFlow、TensorFlow 徽標(biāo)和任何相關(guān)標(biāo)記是 Google Inc. 的商標(biāo)。

*3 DRP-AI Translator：瑞薩電子的 ONNX 轉(zhuǎn)換工具

圖 3 RZ/V2L AI實(shí)現(xiàn)工具流程整體架構(gòu)

圖 3 顯示了整個(gè)工具流程。人工智能學(xué)習(xí)有各種行業(yè)標(biāo)準(zhǔn)框架，大家熟悉，所以我們開發(fā)了RZ/V系列，“你可以使用現(xiàn)有的你熟悉的人工智能框架進(jìn)行人工智能訓(xùn)練，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型連接到瑞薩工具使用一種稱為 ONNX 的通用格式，”——這是一種 AI 開發(fā)流程。ONNX 是一種被廣泛采用的格式，大多數(shù) AI 框架都能夠直接輸出或使用轉(zhuǎn)換工具以 ONNX 格式輸出，但我們將使用 AI 框架 PyTorch 作為示例。

在 AI 世界中，Linux 而非 Windows 是事實(shí)上的標(biāo)準(zhǔn)，這里使用的所有操作系統(tǒng)和軟件包也需要安裝 Linux（Ubuntu）的 PC。

有一種稱為 WSL2 的技術(shù)可以在 Windows 上將 Linux 作為虛擬操作系統(tǒng)運(yùn)行，但瑞薩評(píng)估包不保證可以與 WSL2 一起使用，因此請(qǐng)準(zhǔn)備一臺(tái)安裝了 Ubuntu 的 PC。如果你不打算做 AI 學(xué)習(xí)，你不需要高性能，所以你也可以重復(fù)使用手頭的舊 PC。

首先，一臺(tái) Linux PC 和 DRP-AI 支持包

準(zhǔn)備好 Linux PC

對(duì)于硬件，您可以使用您自己的帶有 x86 64 位 CPU 和至少 6GB RAM 的 PC，但操作系統(tǒng)不是 Windows。我們將改為使用 Linux 發(fā)行版之一的 Ubuntu 版本 18.04。

轉(zhuǎn)到提供 Uubuntu 18.04 的網(wǎng)頁并從ubuntu-18.04.6-desktop-amd64.iso下載 ISO 文件。

您可以使用適用于 Windows 的 Rufus 工具將 ISO 文件轉(zhuǎn)換為可引導(dǎo)的 USB 驅(qū)動(dòng)器，以便您可以在計(jì)劃安裝 Ubuntu 的 PC 上安裝 Ubuntu 18.04。

（有關(guān)使用 Rufus 的詳細(xì)信息，請(qǐng)參閱 https://rufus.ie/en/ 。）

準(zhǔn)備好軟件

要下載軟件，首先從瑞薩電子網(wǎng)站下載軟件包“ RZ/V2L DRP-AI Support Package ”。該文件是一個(gè)超過 2GB 的大型 ZIP 文件，因此我們建議通過高速互聯(lián)網(wǎng)連接下載它。

解壓此 ZIP 文件時(shí)，打開文件夾 rzv2l_ai-implementation-guide，您將在其中找到文件

rzv2l_ai-implementation-guide_en_rev5.00.pdf（以下簡稱“實(shí)施指南”）。

本指南以分步練習(xí)的形式編寫。如果您遵循它，您將能夠評(píng)估包含的經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，從轉(zhuǎn)換到評(píng)估板上的實(shí)際操作。接下來，我想介紹一些在使用本指南進(jìn)行評(píng)估時(shí)需要考慮的要點(diǎn)。

圖 4 DRP-AI 支持包詳情

創(chuàng)建 ONNX 文件

從這里開始，我們將在 Linux 中使用命令行。

（如果您是 Linux 新手，則需要學(xué)習(xí)操作系統(tǒng)本身的基本命令。）

AI 框架 PyTorch 和 torchvision 也可以使用命令 pip3 從 Linux 命令行安裝。（請(qǐng)參閱實(shí)施指南，第 2.2 章，第 26 頁）

在您下載的 DRP-AI 支持包中，您會(huì)找到 rzv2l_ai-implementation-guide_ver5.00.tar.gz 壓縮文件。按照實(shí)施指南中的說明解壓縮文件。（第 30 頁）

同樣，在名為 pytorch_mobilenet 的文件夾中，在 rzv2l_ai-implementation-guide 下，您將找到文件

pytorch_mobilenet_en_rev5.00.pdf（以下簡稱 MobileNet 指南）和 pytorch_mobilenet_ver5.00.tar.gz，您應(yīng)該按照實(shí)施指南。

MobileNet 是為移動(dòng)和嵌入式設(shè)備開發(fā)的用于圖像識(shí)別的輕量級(jí)快速神經(jīng)網(wǎng)絡(luò)，它輸出圖像中對(duì)象正確答案的概率。例如，如圖5所示，物體是小獵犬的概率為93.53%，說明判斷正確。

圖 5 MobileNet的圖像識(shí)別圖像

如果您繼續(xù)閱讀 pytorch_mobilenet_en_rev5.00.pdf 的第 2 章，您將找到一個(gè)名為 mobilenet_v2.onnx 的文件。這是具有 ONNX 格式的加權(quán)參數(shù)的預(yù)訓(xùn)練 MobileNet v2 神經(jīng)網(wǎng)絡(luò)模型的表示。

現(xiàn)在我們已經(jīng)有了經(jīng)過訓(xùn)練的 ONNX 文件，讓我們進(jìn)入下一階段，為 DRP-AI 創(chuàng)建 DRP-AI 對(duì)象文件并評(píng)估性能。

在 DRP-AI Translator 中轉(zhuǎn)換為 DRP-AI 對(duì)象文件

從這里開始，我們將使用 Renesas 的 ONNX 轉(zhuǎn)換工具 DRP-AI Translator。首先，從 Renesas 網(wǎng)站下載DRP-AI Translator 。

根據(jù)實(shí)施指南的第 3.1 章安裝解壓縮的安裝程序。如果您按照實(shí)施指南和 MobileNet 指南中的步驟操作，您最終應(yīng)該會(huì)得到如圖 6 所示的目錄結(jié)構(gòu)。

圖 6 ONNX 文件的目錄結(jié)構(gòu)和 DRP-AI 轉(zhuǎn)換器目錄結(jié)構(gòu)

在此之后，通過復(fù)制/重命名和編輯樣本中的文件，準(zhǔn)備要輸入到 DRP-AI 翻譯器的文件。有關(guān)詳細(xì)說明，請(qǐng)參閱 MobileNet 指南第 3.3-3.5 章。

準(zhǔn)備好后，ONNX 轉(zhuǎn)換本身可以通過一個(gè)命令完成。對(duì)于 RZ/V2L，從 shell 運(yùn)行

$ 。/run_DRP-AI_translator_V2L.sh mobilenet_v2 -onnx 。/onnx/mobilenet_v2.onnx

在工作目錄下的 output/mobilenet_v2/ 目錄中，這將生成在真實(shí)芯片上運(yùn)行 MobileNet 所需的二進(jìn)制文件。（圖 7）

圖 7 運(yùn)行 DRP-AI Translator 后的文件列表

如何閱讀性能估算器 Excel

除了評(píng)估實(shí)際設(shè)備所需的對(duì)象外，DRP-AI 轉(zhuǎn)換器還輸出神經(jīng)網(wǎng)絡(luò)模型的摘要，該模型從 ONNX 轉(zhuǎn)換為 Excel 格式。（圖 8）

連同神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)信息，此 Excel 文件包含模型每一層（每個(gè)功能）的大致處理時(shí)間（DRP-AI 單機(jī)性能，不包括 LSI 內(nèi)部總線和外部 DRAM 帶寬的限制） ，它允許您估計(jì)近似性能。

圖 8 mobilenet_v2_summary.xlsx 示例

概括

我們?yōu)閷?duì)AI感興趣但不知從何下手的用戶介紹了瑞薩電子提供的免費(fèi)軟件包，大家可以試試。如果您擁有本博客中創(chuàng)建的目標(biāo)文件，那么您離使用真實(shí)芯片評(píng)估 AI 性能又近了一步。本博客使用的RZ/V2L的評(píng)估板套件已經(jīng)可以購買，您可以體驗(yàn)到評(píng)估板套件中嵌入的實(shí)際芯片的AI性能、低功耗和低發(fā)熱。

瑞薩嵌入式 AI 處理器的 RZ/V 系列還包括RZ/V2M ，其 AI 性能比這里介紹的RZ/V2L高約 1.5 倍，并且提供RZ/V2M DRP-AI Support Package，可用于與上面提到的方法相同。

審核編輯：郭婷