R-Car DNN模擬器的介紹

本篇文章我們將介紹瑞薩為R-Car V4H提供的三種類型的DNN開發(fā)模擬器，以及它們的使用情況和特點(diǎn)。

背景

用于汽車SoC實(shí)時(shí)處理的深度學(xué)習(xí)的模型轉(zhuǎn)換

深度學(xué)習(xí)是使用底層軟件（深度學(xué)習(xí)框架）開發(fā)的，如TensorFlow和PyTorch。

僅僅通過移植在深度學(xué)習(xí)框架中學(xué)習(xí)到的模型，不可能在R-Car這樣的車載SoC上進(jìn)行實(shí)時(shí)處理，因?yàn)樯疃葘W(xué)習(xí)的推斷過程需要大量的計(jì)算和內(nèi)存使用。因此，有必要對所學(xué)模型進(jìn)行非等價(jià)的模型壓縮，如量化和剪枝，以及使用深度學(xué)習(xí)編譯器進(jìn)行性能優(yōu)化。

首先，讓我們討論一下模型壓縮。在量化中，通常以浮點(diǎn)計(jì)算的推斷過程被轉(zhuǎn)換為近似的整數(shù)運(yùn)算，如8位。通過將對識(shí)別結(jié)果貢獻(xiàn)較小的權(quán)重設(shè)置為零并跳過對這些權(quán)重的計(jì)算，修剪減少了計(jì)算和內(nèi)存的使用。這兩種轉(zhuǎn)換都是對原始推斷過程的非等效的算法轉(zhuǎn)換，因此很可能會(huì)降低識(shí)別的準(zhǔn)確性。

在性能優(yōu)化方面，深度學(xué)習(xí)編譯器可以對訓(xùn)練過的模型的推斷過程進(jìn)行程序轉(zhuǎn)換，以便在深度學(xué)習(xí)加速器上進(jìn)行更快的處理，或者應(yīng)用內(nèi)存可以進(jìn)行優(yōu)化，例如將分配給一個(gè)層的輸出數(shù)據(jù)的快速小型SRAM重新用于另一個(gè)層的輸出數(shù)據(jù)。

應(yīng)用這種轉(zhuǎn)換可以在車載SoC上進(jìn)行實(shí)時(shí)處理。

在R-Car中使用瑞薩工具和軟件的推斷流程

瑞薩的R-Car中的H/W加速器CNN-IP，出于計(jì)算效率的考慮，可以使用整數(shù)值進(jìn)行推斷操作。由于這個(gè)原因，用戶必須使用瑞薩公司提供的R-Car CNN工具來進(jìn)行量化，這是上述模型轉(zhuǎn)換中的一種。

首先，在實(shí)際執(zhí)行量化之前，必須進(jìn)行校準(zhǔn)，以計(jì)算量化參數(shù)（刻度和零點(diǎn)），用于將浮動(dòng)數(shù)轉(zhuǎn)換為整數(shù)。為此，一個(gè)外部工具（如TFMOT、ONNX runtime），根據(jù)網(wǎng)絡(luò)模型的格式，從大量的輸入圖像中找到每一層的最大/最小輸出值。從這些最大/最小值中，可以計(jì)算出比例/零點(diǎn)等量化參數(shù)；R-Car CNN工具使用這些量化參數(shù)來量化每一層的參數(shù)。

R-Car CNN工具然后從網(wǎng)絡(luò)模型和每層的量化參數(shù)中創(chuàng)建一個(gè)命令列表。命令列表是二進(jìn)制數(shù)據(jù)，用于指示CNN-IP執(zhí)行哪些命令和設(shè)置哪些參數(shù)（每個(gè)量化層的參數(shù)）。通過向CNN-IP提供該命令列表并運(yùn)行它，可以進(jìn)行推斷。

命令列表是由網(wǎng)絡(luò)模型和量化參數(shù)唯一確定的，因此它只需要事先創(chuàng)建一次。上述命令列表可以對每個(gè)圖像執(zhí)行，以便在實(shí)際設(shè)備上進(jìn)行推斷。

使用瑞薩工具和軟件對R-Car V4H進(jìn)行推斷的框圖見圖1。

圖1 使用瑞薩工具和軟件進(jìn)行推斷的方框圖

關(guān)于每個(gè)模擬器

每個(gè)模擬器的概述和特點(diǎn)

瑞薩電子準(zhǔn)備了模擬器來解決以下兩個(gè)用戶挑戰(zhàn)：

A）在開發(fā)一個(gè)應(yīng)用程序之前，用戶希望檢查由于量化而導(dǎo)致的精度變化

B）想在不使用實(shí)際設(shè)備的情況下使用命令列表檢查和調(diào)試用戶應(yīng)用程序

瑞薩的模擬器有三種類型，每種類型解決不同的任務(wù)，具有不同的功能。各自的特點(diǎn)見表1。每一種都在準(zhǔn)確性和處理速度上有所不同。對于每一種情況，都會(huì)參照框圖介紹其特點(diǎn)和使用情況的細(xì)節(jié)。

表1 各模擬器的概述和特點(diǎn)

（*1）命令列表是使用R-Car CNN工具創(chuàng)建的，基于網(wǎng)絡(luò)模型和量化參數(shù)，使用與上述實(shí)際機(jī)器上的推斷相同的程序。

（*2）Accurate Simulator在R-Car CNN工具中運(yùn)行。用戶向R-Car CNN工具提供網(wǎng)絡(luò)模型和量化參數(shù)，該工具會(huì)自動(dòng)計(jì)算每一層的量化參數(shù)，然后將其輸入到Accurate Simulator。

ISS

該模擬器旨在使用與實(shí)際設(shè)備盡可能相同的軟件配置和輸入數(shù)據(jù)（命令列表，主要是寄存器設(shè)置）來調(diào)試輸出結(jié)果。它不能重現(xiàn)計(jì)時(shí)，也不打算用于計(jì)時(shí)驗(yàn)證。

結(jié)果與實(shí)際設(shè)備完全相同，速度比Accurate Simulator慢，因?yàn)樗灾噶顬榛A(chǔ)重現(xiàn)輸出。

圖2 使用ISS的系統(tǒng)方框圖

精確的模擬器

該模擬器將網(wǎng)絡(luò)模型作為輸入，用于精度驗(yàn)證，無需使用實(shí)際設(shè)備。對于每一層，都要實(shí)現(xiàn)一種算法，使其輸出與設(shè)備的計(jì)算算法完全匹配。由于執(zhí)行速度比ISS快10倍左右，所以在只驗(yàn)證精度的情況下，它是很有用的。

圖3 使用Accurate Simulator的系統(tǒng)框圖

快速仿真器

該模擬器用于檢查大量圖像的定量誤差。

Fast Simulator擴(kuò)展了深度學(xué)習(xí)框架（R-Car V4H中的Tensor Flow），在每層推斷操作后都有一個(gè)偽量化功能，并帶有浮點(diǎn)數(shù)字。偽量子化是一種重現(xiàn)浮點(diǎn)數(shù)的偽量子化誤差的方法，在浮點(diǎn)數(shù)仍然是浮點(diǎn)數(shù)的情況下，加入與量子化導(dǎo)致的精度下降相同的誤差。

可以只在Tensor Flow中添加一個(gè)偽量化功能，其運(yùn)行速度與Tensor Flow相似，但速度更快。

另外，由于輸入/輸出接口與深度學(xué)習(xí)框架是通用的，所以用戶在切換到深度學(xué)習(xí)框架時(shí)很容易檢查出量化錯(cuò)誤。

然而，由于每層的推斷操作和偽量化都會(huì)產(chǎn)生一個(gè)小的浮點(diǎn)算術(shù)誤差，所以結(jié)果與實(shí)際的機(jī)器結(jié)果并不完全匹配。

圖4 使用快速仿真器的系統(tǒng)框圖