达摩院创新网络轻量化方法，助力小蛮驴无人车以1/3算力实现工控机级智
- 来源：TechWeb.com.cn
- 2021/7/26 11:47:49
- 23691
7月21日消息，达摩院自动驾驶实验室提出一种高性能网络轻量化方法“动态宽度可变网络”，解决了以往算法硬件效率低下的问题，在ImageNet数据集上达成2到4倍的理论加速和1.62倍实际加速，以较高5.9%的精度优势超越业界较优方法。该模型将应用于达摩院的“小蛮驴”无人车，也适用于各类有模型轻量化需求的嵌入式设备。
深度学习虽好，但很难部署到嵌入式设备上。深度学习模型对硬件的算力和内存有很高要求，而嵌入式设备往往算力有限，因此，模型轻量化是业界重要的应用研究内容。
以达摩院研发的L4级无人车小蛮驴为例，早期demo阶段的无人车使用工控机执行所有的自动驾驶计算任务，2020年正式发布的小蛮驴则改用达摩院自研的高性能、低功耗、低成本嵌入式异构计算单元，后者需以1/3算力实现工控机级别的智能水平。为此，达摩院持续进行软硬件协同优化设计，包括探索模型轻量化方法。
神经网络剪枝(pruning)是模型轻量化方法之一，它能减少网络参数、降低存储要求、提高计算速度。但既有算法存在瓶颈问题，算法模型与硬件计算不兼容，理论分析与实际加速之间存在很大差距，需要牺牲相当的计算精度和时延，这在自动驾驶应用中是不可接受的。
达摩院自动驾驶团队提出了“动态宽度可变网络”(Dynamic Slimmable Network，DS-Net)算法，在测试时，根据不同输入，预测性地调整网络滤波器数量，既不影响计算精度，还解决了以往算法中硬件效率低下和计算浪费的问题。
滤波器是图像处理任务中的概念，主要作用是提取对象特征作为图像识别的特征模式。主流算法通常会激活所有滤波器，较大限度压榨硬件算力。达摩院模型把剪枝视作动态过程，根据计算任务动态调整滤波器的激活数量。比如，无人车在行驶中感知到行人、汽车等简单场景，只需easy模式；如果遇到“一辆卡车拖着一棵大树”的复杂场景，则启用hard模式，激活更多滤波器。
在ImageNet上，对于ResNet和MobileNet，该方法达成了2到4倍的理论加速和1.62倍的实际加速，超越现有的剪枝、网络搜索和动态网络压缩方法，并以较高5.9%的精度优势超越了SOTA(state-of-the-art)方法Universally Slimmable Network。
达摩院自动驾驶实验室工程师王兵介绍，该方法目前正在适配小蛮驴无人车。由于并非针对特定的硬件设计，算法通用性高，适用于各类有模型轻量化需求的嵌入式设备。
据悉，小蛮驴无人车现已量产投用，未来一年预计将有1000辆车进入全国的高校和社区，开展末端配送服务。
(原标题：达摩院创新网络轻量化方法，助力小蛮驴无人车以1/3算力实现工控机级智能)
版权与免责声明：凡本网注明“来源：智能制造网”的所有作品，均为浙江兴旺宝明通网络有限公司-智能制造网合法拥有版权或有权使用的作品，未经本网授权不
展开全部
热门评论