近日，AI Benchmark發布了最新Mobile SoCs推理測試結果。在這份備受AI圈關注的“戰報”中，紫光展銳5G芯片T770取得了86.2K的不俗成績。

　　AI Benchmark是全球權威AI性能評測平臺，由蘇黎世聯邦理工學院計算機視覺實驗室出品。這個實驗室由計算機視覺領域著名學者Luc Van Gool, 醫療影像教授Ender Konukoglu，以及計算機視覺及系統教授Fisher Yu的研究組組成，是整個歐洲乃至世界最頂尖的CV/ML研究機構之一。

　　AI Benchmark涵蓋了26組測試，共計78個測試子項，包括了目標識別、目標分類、人臉識別、光學字符識別、圖像超分，圖像增強、語義分割、語義增強等AI場景，從CPU、AI加速器對INT8和FP16模型的推理速度、準確性、初始化時間等數據全方位衡量平臺/設備的AI能力。因此，AI Benchmark可以從比較客觀的角度評估芯片的AI 性能。

　　在12個維度的測試里，共計102個測試數據，T770有超過59.8%的數據超過競品。

　　具體表現在圖片分類、并發場景 (量化模型)、目標檢測、文字識別、語義分割、圖像超分、圖像分割、深度估計、圖像增強、視頻超分、自動文本生成等場景 。

　　接下來，讓我們從幾個關鍵的測試維度看下T770 AI性能的具體表現：

　　逐項拆解之MobileNet

　　首先來看較為經典的MobileNet神經網絡維度。這里稍微提一下MobileNet的由來：谷歌在2017年提出了專注于移動端或者嵌入式設備中的輕量級CNN網絡，其最大的創新點是提出了深度可分離卷積。mobileNet-V2是對mobileNet-V1的改進，是一種輕量級的神經網絡。mobileNet-V2保留了V1版本的深度可分離卷積，增加了線性瓶頸(Linear Bottleneck)和倒殘差(Inverted Residual)，而MobileNet-V3是谷歌基于MobileNet-V2之后的又一項力作，在精度和時間上均有提高。MobileNet-V3做了哪些修改呢?它引入了SE結構、修改了尾部結構和channel的數量，做了非線性變換的改變。MobileNet-V3提供了兩個版本，一個是mobileNet-V3 Large，也就是AI Benchmark這次測試用的版本，另一個是MobileNet-V3 Small版本，分別對應了對計算和存儲要求高與低的版本。

　　AI-Benchmark主要選取了V2和V3 Large兩個版本進行測試。下圖這個數據柱狀圖表達的是什么意思呢?這里包含了CPU、AI加速器分別對于量化和浮點模型的處理表現，主要從推理速度和準確性兩個維度去評估平臺/設備的AI能力，時間單位是毫秒。

　　灰色的柱形圖代表競品，紫色的代表T770。可以看到，在mobileNet-V2維度，T770在CPU量化、CPU浮點、加速器量化的處理上基本是優于競品的。加速器浮點上略有差距，在mobileNet-V3 Large維度，T770在CPU量化、CPU浮點、加速器浮點的處理上是優于競品的，加速器量化上略有差距，兩者數據各有千秋，從MobileNet神經網絡整體維度，T770優于競品。

　　逐項拆解之Inception-V3

　　Inception-V3 架構的主要思想是 factorized convolutions (分解卷積) 和 aggressive regularization (激進的正則化)。可以看到，在精度基本一致的情況下，在CPU浮點、加速器量化這兩個關鍵維度上，T770運行Inception-V3的運行速度更快，加速器浮點模型數據的運行速度上略有差距，但精度略優于競品，如下圖所示：

　　逐項拆解之EfficientNet

　　EfficientNet是谷歌研究人員在一篇 ICML 2019 論文《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》中提出的一種新型模型縮放方法。可以看到，T770運行EfficientNet的表現與競品相當，在CPU浮點、加速器量化、加速器浮點模型數據的運行速度上均有優勢。

　　剛才提到的MobileNet、Inception-V3、EfficientNet網絡結構常用于圖像分類、目標檢測、語義分割等技術開發中。這些神經網絡結構可應用的常見場景有手機相冊中的相冊分類，手勢識別等，工業上可用于快遞分揀、頭盔檢測、頭盔識別等場景，在醫學領域會用于皮膚真菌識別等應用。當然這些神經網絡所能支撐的場景，不限于剛剛介紹到的，可利用這些AI能力開發出更多的基于對物體/事物的分類場景。

　　T770在這些神經網絡結構上的不俗表現表明：T770有更全面、更強大的能力去支撐這些場景的開發。

　　逐項拆解之Inception-V3 Parallel

　　接下來再看Inception-V3 Parallel (NN-INT8)，你肯定會想，怎么又來一個Inception-V3，剛才不是show過了?是重復了嗎?搞錯了嗎?當然沒有!這里介紹的是Inception-V3 Parallel的能力，即同時處理多個Inception-V3，對應的是平臺/設備對于AI并發處理的能力，怎么去理解這個并發處理呢?舉個栗子吧，哦，今天忘記帶栗子了，不好意思(╯▽╰)。

　　簡單來講，就是應用程序同時下發多個任務處理，再簡單點講就是，同時在做兩件事情或多件事情，比如圖片分類和手勢識別同時進行。還不明白?再簡單點，就好比人在吃飯的同時刷抖音短視頻。

　　OK，我們來看下具體數據，下圖顯示的是AI加速器對1/2/4/8個量化模型同時處理的能力，可以明顯看到，T770在AI多任務處理能力上占有明顯優勢。

　　逐項拆解之Yolo-v4 Tiny

　　我們再看Yolo-V4 Tiny結構，它是Yolo-V4的精簡版，屬于輕量化模型，參數只有600萬，相當于原來的十分之一，這使檢測速度有了很大提升，非常有利于在端側進行部署，在智能安防領域中已有大量應用，比如車輛識別、人員識別、路徑預測和跟蹤、行為分析、安全帽識別等。

　　先看下具體數據，如下圖，除加速器量化模型部分略有不足之外，其他均有優勢，如CPU量化、浮點，加速器浮點等。

　　逐項拆解之DPED – ResNet

　　再看一下T770在DPED - ResNet處理維度的表現，解釋一下，DPED是DSLR Photo Enhancement Dataset，而DSLR指的是Digital Single Lens Reflex Camera，即數碼單反相機。講到這一點，不得不提到一篇論文《DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks》，這是一篇發布于2017年關于圖像增強的神經網絡論文，大概成果就是將手機照片作為輸入，將DSLR相機拍出的照片作為target，通過網絡使其學習到一個映射函數，目的是讓手機拍出單反相機照片的效果。

　　基于DPED，我們可以將老舊或低質量的照片轉化為高質量的照片，而且轉化效果很好，可用于照片美化等應用場景。如下圖，可以看到T770在對DPED - ResNet處理的錯誤率一致的情況下，錯誤率都很低，處理速度上有明顯優勢。

　　逐項拆解之LSTM

　　接下來，我們再看一下T770在長短期記憶網絡(Long-Short Term Memory，LSTM)方面的性能。由于獨特的設計結構，LSTM適合處理和預測時間序列中間隔和延遲非常長的重要事件。LSTM的表現通常比時間遞歸神經網絡及隱馬爾科夫模型(HMM)更好，比如用在不分段連續手寫識別上。

　　2009年，用LSTM構建的人工神經網絡模型贏得ICDAR手寫識別比賽冠軍。LSTM還普遍應用在自主語音識別，2013年，運用TIMIT自然演講數據庫實現了17.7%錯誤率紀錄。作為非線性模型，LSTM可作為復雜的非線性單元，用于構造更大型深度神經網絡。

　　下圖可以看到，T770在對LSTM處理的錯誤率一致的情況下，處理速度上有著明顯優勢。

　　逐項拆解之U-Net

　　U-Net是比較早的使用全卷積網絡進行語義分割的算法之一，因網絡形狀酷似U而得名。圖像語義分割(Semantic Segmentation)是圖像處理和機器視覺技術中，關于圖像理解的重要一環，也是 AI 領域中一個重要的分支。語義分割對圖像中每一個像素點進行分類，確定每個點的類別(如屬于背景、人或車等)，從而進行區域劃分。目前，語義分割已經被廣泛應用于自動駕駛、無人機落點判定等場景中。U-Net在醫學領域也得到了應用，比如醫學圖像解析，也就是從一副醫療圖像中，識別出特定的人體部位，比方說“前列腺”、“肝臟”等等。

　　下圖可以看到，T770和競品對U-net處理的錯誤率都極低，而T770在擁有極低錯誤率的同時，處理速度明顯占優。

　　好了，數據對比分析先講這么多，大家如果對T770在其他AI場景下的性能數據感興趣，可前往AI Benchmark官網自行查看。

　　以上可以看到，T770有著不俗的AI性能，可以助力用戶在相冊分類、物體分類、智能美圖、背景虛化、渲染、語音助手、智能家居、車牌識別，人臉識別、視頻超分辨率應用場景中的落地實施，并且在滿足常見CV/NLP應用場景下，可以同時滿足實時、高并發的AI場景需求，如車牌識別、人臉識別等。

　　看罷T770的AI性能精彩展現，你是否會有疑問，T770是如何做到在AI上大放異彩的呢?下面我們來簡單介紹下。

　　T770擁有多個可用于AI加速的設備，當然，有時候你擁有的資源越多，并不是一件好事，因為對資源的識別、管理和調度，會是一件極其困難的事情。所以，如何使T770上多個AI加速設備協同合作，并發揮出最大效能成為我們技術研發最主要的挑戰。

　　大家都知道三個和尚挑水喝的故事：一個和尚挑水喝，兩個和尚抬水喝，三個和尚沒水喝。

　　故事很簡單，道理也很簡單，借這個故事，這里想表達的是三個核心問題：

　　一、任務來了，誰能干?

　　二、任務來了，誰來干更合適?

　　三、安排好活了，干活的是否積極?

　　為了解決上述問題，紫光展銳開發了兩大核心技術：

　　1)Smart Schedule ：采用智能算法，精準識別每個AI任務最適合在哪個加速器里進行處理，然后進行分配，使其隨才器使;

　　2)Device Boost：采用智能調節算法，根據推理任務大小，智能調節加速器負載，使其張弛有度。

　　得益于紫光展銳開發的這兩大核心技術，T770在AI性能上大放異彩，AI多變場景下，可以助力用戶實現豐富的AI場景化落地。

　　而且，紫光展銳將持續針對多種AI場景進行優化，屆時，T770的AI性能將得到更大提升，創新不止，敬請期待!

　　注：本文測試數據來源于AI Benchmark官網發布