EO_493

EDA/SW/T&M 61 - ELETTRONICA OGGI 493 - APRILE 2021 NEURAL NETWORKS L e NN che richiedono grandi quantità di dati per il training vengono in gene- re distribuite in ambienti cloud su data center e server con schede di ac- celerazione. Recentemente, i modelli di apprendimento automatico sono stati implementati su dispositivi IoT (Internet of Things). La potenza di calcolo dei di- spositivi embedded è costantemente in aumento, a fronte di un costo che va via via scemando. Quindi è ora possibile utiliz- zare dispositivi molto più sofisticati in appli- cazioni avanzate. Questi hanno spesso capacità sufficienti per realizzare le NN. D’altra parte, il softwa- re più aggiornato supporta le NN, e sono disponibili anche motori di inferenza ottimizzati per i dispositivi embedded. Attualmente la maggior parte dei produttori di siste- mi embedded aggiunge blocchi IP dedicati, all’inter- no dei system-on-chip, per accelerare le NN artificiali, fornisce BSP (board support package) ottimizzati con supporto di apprendimento automatico immediata- mente disponibile (o comunque lo hanno pianificato nella loro roadmap). La necessità di acceleratori di in- telligenza artificiale non è più limitata ai server e agli ecosistemi dei data center, ma è diventata una reale necessità anche nei mercati mobile ed embedded. NN convoluzionali (CNN) Probabilmente i tipi di reti più diffuse tra quelle oggi utilizzate sono le reti neurali convoluzionali (CNN), AI, Machine Learning e Reti Neurali nei sistemi embedded Recentemente, apprendimento automatico e reti neurali (NN) sono stati applicati con successo alle soluzioni di visione artificiale per la classificazione degli oggetti, la segmentazione delle immagini e il riconoscimento degli oggetti. Inoltre, le loro applicazioni includono il riconoscimento vocale, l’elaborazione del linguaggio naturale, l’analisi dei dati dei sensori e la manutenzione predittiva, solo per citarne alcuni che hanno trovato applicazioni per una serie di imple- mentazioni sicuramente all’avanguardia. L’operazione di convoluzione viene utilizzata per estrarre le funzio- nalità dai dati di ingresso, spesso da immagini. A tale scopo viene applicato un filtro mobile (kernel) ai dati di ingresso: ad esempio, viene calcolato il prodotto dei dot del kernel e i pixel di ingresso. Tutti i layer con parametri (convoluzionali, completamente connessi) sono in genere seguiti da un layer con funzione di atti- vazione, ad esempio un’unità lineare rettificata (ReLU). I layer di pooling vengono introdotti dopo i layer pa- Łukasz Grzymkowski Software Technical Leader Arrow Electronics