當人們討論深度神經網絡(DNN)、深度學習和嵌入式視覺時，通常會先討論如何定義網絡架構或結構。不久之前，我們還只能支持線性網絡，在輸入和輸出級之間的層數非常有限。相比之下，今天的網絡技術，如谷歌的TensorFlow，支持多個輸入、多個輸出以及每級多個層。

圖1：線性網絡、多輸入&多輸出以及每級多個層

TensorFlow的強大令人難以置信，但人工定義TensorFlow架構類似于用匯編語言編寫一個復雜的軟件。因此Bonsai等公司開始研究提升抽象等級，幫助更多的開發人員在他們的工作中融合更加豐富的智能模型。一旦定義好網絡結構，下一步就是訓練這種結構，并用32位浮點系數(“加權”)產生一個新的版本。假設我們在創建某類嵌入式視覺圖像處理應用，這個過程——可能會用到數十萬甚至數百萬幅分類照片——可以在高層進行描述，如圖2所示。

圖2：創建嵌入式視覺圖像處理應用

網絡經過訓練之后，下一步就是準備部署網絡了，這與目標平臺有關。假設這是一個性能受限的、具有功耗意識的部署平臺，那么浮點網絡需要被轉換為定點網絡，如圖3所示(雖然16位定點實現很常見，但低至8位定點的實現也有大量成功的案例)。

圖3：浮點網絡轉換為定點網絡

CEVA正在做一些非常有意思的研發工作，包括一種網絡產生器。這種網絡產生器采用基于Caffe或TenserFlow(任何形式)的網絡浮點表示法，并將其轉換為小型快速高能效的定點網絡，目標應用是CEVA-XM4智能視覺處理器。

投入實際使用之前的最后一步是將網絡部署進目標系統，目標系統可以是MCU、FPGA或基于SoC的系統，且可作為目標檢測和識別系統的一部分。

圖4：將網絡部署進目標系統

目前為止情況一切都很好，但是……

還有巨大的改進空間

與大多數事情一樣，如果只是隨便說說，那么上面的描述聽起來也不錯。然而，在一線搭建實際系統的開發人員知道，還有許多事情要考慮。

就拿第一步訓練網絡所用到的圖像來說，用什么設備來捕獲這些圖像？在物理范疇，我們可能會討論鏡頭、圖像傳感器和模擬前端(AFE)等東西。在此之上，我們必須考慮圖像處理管線(可以用軟件函數實現，或使用硬件加速器)中采用的所有算法，比如增益控制、白平衡、噪聲抑制和銳化、顏色空間轉換、插值、壓縮……等等。

當然，所有這一切也適合用于捕獲和處理圖像的任何后端攝像系統，這些圖像最后饋入人工神經網絡，實現檢測、識別、分類和其它用途。

越來越多的公司將攝像機和智能視覺技術集成進產品中，系統的圖像質量和精度是體現其價值的核心。除了鏡頭和傳感器等物理組件，一個典型的圖像處理管線可能會達到10級，每級可能有大約25個調整參數。在光學、傳感器、處理器和算法組合之間優化這些系統需要付出很大的努力，而且每個產品和衍生品都要完成這一辛苦的工作，因此可能會限制待評估的替代配置的數量。

為了解決這一問題，Algolux公司以其機器學習解算器為基礎設計了一種最優化的平臺架構，名為CRISP-ML(運算型可重配置圖像信號平臺)。這種架構可以根據標準圖像測試卡、加有標簽的訓練圖像和關鍵性能指示器(KPI)目標調整成像和計算機視覺算法，在規定的成像條件下取得理想的圖像質量、視覺精度、功耗和性能目標。這種方案可以極大地減少優化一個新視覺系統所需的時間和成本，將專家資源留給價值更高的任務。

當我第一次聽到這一切時，第一反應就是Algolux的員工正在使用基因算法玩“魔術”。不過，Algolux公司首席技術官Paul Green表示，他們其實并沒有使用基因算法，而是使用“有指導性的隨機搜索與基于微積分的搜索的一種組合”。哇，這才真正激起了我的興趣——“真是個壞小子！”。我期望在不遠的將來能夠學習到更多的內容，并寫出更多的報道來。
編輯：hfy