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。