EO-466

DIGITAL

DSP

- ELETTRONICA OGGI 466 - NOVEMBRE/DICEMBRE 2017

e applicazioni che vedono coinvolte le reti neu-

rali stanno aumentando in modo esponenziale;

queste reti ora vengono sviluppate e utilizzate

in una pluralità di applicazioni embedded, che spazia-

no dai dispositivi mobili alla sorveglianza, dal settore

automotive a quello della realtà aumentata (AR – Au-

gmented Reality) e virtuale (VR – Virtual Reality). Il

panorama relativo alle reti neurali è molto dinamico.

Le architetture delle reti neurali variano in continua-

zione e contemporaneamente all’apparire di nuove reti

emergono nuovi mercati e applicazioni. Nel momento

in cui le reti diventano più profonde (ovvero caratteriz-

zate dalla presenza di più strati) e complesse, aumen-

tano i requisiti computazionali; osservando la figura 1,

si può vedere che in un arco di tempo inferiore ai quat-

tro anni si è avuto un incremento di un fattore pari a 16

in termini di operazioni MAC (multiply-accumulate) /

immagine. All’evoluzione delle reti neurali si accompa-

gna una crescente necessità di integrare i processori

DSP per reti neurali ottimizzato

per applicazioni di visione

Pulin Desai

Product marketing director

Tensilica Vision DSP Product Line

IP Group – Cadence

Disponibile sotto forma di core IP, il nuovo Tensilica

Vision C5 di Cadence è il primo DSP ottimizzato

per tutte quelle applicazioni che richiedono

le capacità computazionali tipiche delle reti neurali,

tra cui quelle di visione

all’interno dei dispositivi piuttosto che ricorrere a CPU

e GPU. In ogni caso, la potenza di elaborazione e la

velocità necessarie per queste reti non sono in linea

con i requisiti delle applicazioni che prevedono l’uso

di queste reti, in particolar modo nel campo della vi-

sione. Finora, per soddisfare i requisiti di queste reti è

stato necessario utilizzare le risorse di un datacenter

(che ovviamente non può essere integrato in un’auto

né tantomeno in un telefono mobile). Contemporane-

amente, a causa della crescente importanza di fattori

quali sicurezza e latenza, le reti neurali sono sempre

più spesso implementate nei sistemi embedded, al fine

di consentire un’elaborazione dei dati in tempo reale.

Mentre l’addestramento di una rete neurale può avve-

nire per la maggior parte offline, le applicazioni che

fanno ricorso a queste reti devono essere integrate

all’interno dei relativi sistemi. Fra tutte le applicazioni

embedded, quelle attinenti la realtà aumentata (AR),

la realtà virtuale (VR) o realtà mista (mixed reality –

in pratica un mix tra

queste due che uni-

sce il mondo che ci

circonda con quello

digitale) sono carat-

terizzate da peculia-

rità specifiche. Molto

spesso i dispositivi

utilizzati – come ca-

schi

“intelligenti”,

cuffie o smart glas-

ses – sono alimenta-

ti a batteria per cui,

quando si opta per

una soluzione basa-

ta su reti neurali, il

consumo di poten-

za è senza dubbio

uno dei fattori più

critici da prendere

Fig. 1 – In un arco di tempo inferiore ai quattro anni si è avuto un incremento di un fattore pari a 16 in termini di

operazioni MAC (multiply-accumulate)/immagine