系統整合設計軟體環境

陳耀華 ； 謝宛珊 ； 許雅婷 ； 陳緯峻

《電腦與通訊》 180期 (2020/02) Pp. 8-12

摘要

2012年所提出的AlexNet [1]演算法大幅提升了圖形辨識準確度，因而開啟了之後人工智慧的浪潮，接著VGG16 [2]、ResNet [3]、GoogleNet [4]等相關的演算法如雨後春筍冒出，以下就以圖1來比較不同DNN網路的TOP 1準確度（Accuracy）、運算量（Operation）與參數量：圖1 [5]為不同DNN網路的TOP 1準確度（Accuracy）、運算量（Operation）與參數量之比較圖。圖1左下角為AlexNet網路，它的TOP 1準確度為57.1%，所需要的參數量為60M。圖1右上角為NASNet-A-Large [6]網路，他的TOP 1準確度可達到82.7%，所需要之參數量與運算量分別高達為88.9M與23.8 G-FLOPs。然而，天下沒白吃的午餐。NASNet-A-Large網路的TOP 1準確度遠優於AlexNet網路並高達25.6%，是付出了大量的運算量與參數量才得到的。因此，為了提升需大量運算之DNN網路運算速度與效率，像TPU [6]這種人工智慧加速器便油然而生。然而，以往在設計硬體時通常有明確的規格與介面，但在這一波人工智慧的發展中，軟體系統應用與DNN網路的演進非常迅速。因此若想研發真正具高度AI運算效率的人工智慧加速器，必須由應用的角度來解決問題。另外，人工智慧之運用範疇非常廣泛，從計算量需求較小的物聯網（Internet of Things, IoT）到計算量較大的自動駕駛，其運算量之差異非常大。因此設計不同應用需求之人工智慧加速處理器，並以高效能與低耗能為目標，便是非常挑戰的項目。