54 / 102
DIGITAL
DSP
54
- ELETTRONICA OGGI 466 - NOVEMBRE/DICEMBRE 2017
estremamente ridotti, oltre
alla flessibilità e alla possibi-
lità di supportare future evo-
luzioni (future-proof), in linea
con i cambiamenti dei requi-
siti delle reti neurali e con l’e-
mergere di nuove tendenza.
Modalitàdiimplementazione
delle reti neurali
Attualmente sono due le
principali opzioni disponi-
bili per implementare le reti
neurali: utilizzare CPU e GPU
oppure ricorrere ad accele-
ratori hardware abbinate a
un DSP per l’elaborazione
delle immagini. Anche se
ciascuna di queste opzioni
consente di risolvere alcuni
dei problemi che i progettisti
devono affrontare, questi ultimi devono scendere ine-
vitabilmente a compromessi quando si tratta di otti-
mizzare semplicità di sviluppo, efficienza energetica,
latenza, supporto di evoluzioni future (future proofing)
o prestazioni. Gli acceleratori hardware abbinati a pro-
cessori DSP per l’elaborazione delle immagini, che
possono rappresentano un’opzione per i dispositivi
embedded, evidenziano alcuni svantaggi in termini di
efficienza e consumi di energia. Oltre alle difficoltà in
fase di sviluppo, una soluzione di questo tipo richiede
il partizionamento del software tra il DSP e l’accele-
ratore. Il trasferimento dell’esecuzione dei soli strati
di convoluzione comporta un notevole sovraccarico
in termini di trasmissione dei dati, il che si traduce in
una diminuzione dell’efficienza energetica. L’hardware,
inoltre, è fisso nella fase finale del ciclo di sviluppo (ta-
peout) e non può essere più modificato, per cui questi
acceleratori non sono progettati per supportare future
evoluzioni. Per le applicazioni embedded è necessario
ricorrere a una soluzione DSP per reti neurali semplice
da sviluppare, in grado di elaborare una grande quan-
tità di dati e di supportare evoluzioni future, nonché
garantire una latenza minima e un’elevata efficienza in
termini di consumi.
La soluzione Cadence: il DSP Tensilica Vision C5
Ottimizzato per applicazioni di visione e fused-sen-
sor (elaborazione dei dati provenienti da più sensori
omogenei o eterogenei), il nuovo TensilicaVision C5
di Cadence è il primo DSP per l’elaborazione di reti
in considerazione. Un altro importante requisito del-
le applicazioni AR/VR è la latenza, ragion per cui la
soluzione deve essere realizzata direttamente sul di-
spositivo. Tutti questi dispositivi richiedono l’integra-
zione di funzionalità di riconoscimento dell’immagine,
riconoscimento dei gesti, segmentazione basata su te-
lecamere stereo, rilevamento in tre dimensioni, traccia-
mento dei movimenti della testa (head tracking), dello
sguardo (gaze detection) e dei movimenti oculari (eye
tracking); per l’implementazione di alcune di queste
funzionalità, come ad esempio la comprensione delle
relazioni semantiche dell’ambiente circostanze, oppu-
re il riconoscimento di gesti o di immagini, è possibile
ricorrere alle reti neurali. Questi dispositivi sfruttano le
reti neurali non solo per applicazioni di elaborazione
dell’immagine, visualizzazione e visione, ma anche per
applicazioni di elaborazione dei segnali voce/audio in
modo da consentire l’utilizzo di comandi di tipo vocale.
In un ambiente caratterizzato da una rapida evoluzio-
ne, i produttori di dispositivi AR/VR devono scegliere
una piattaforma inferenziale (ovvero in sintesi capaci
di risolvere particolari problemi computazionali) per
un prodotto che, nella migliore delle ipotesi, non ver-
rà immesso sul mercato in un tempo inferiore a due
tre anni. Con l’introduzione di nuove reti neurali ca-
ratterizzate da architetture in continua evoluzione, non
è possibile essere sicuri che ciò che ora funziona in
un sistema funzionerà correttamente anche in futuro.
In tutte le applicazioni che utilizzano le reti neurali è
anche necessario garantire bassa latenza e consumi
Fig. 2 – Architettura del DSP Vision C5 di Cadence