目前嵌入式視覺領(lǐng)域最熱門的話題之一就是機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)涵蓋多個(gè)行業(yè)大趨勢(shì)，不僅在嵌入式視覺 (EV) ，而且在工業(yè)物聯(lián)網(wǎng) (IIoT) 和云計(jì)算中均發(fā)揮著極為顯赫的作用。對(duì)不熟悉機(jī)器學(xué)習(xí)的人來(lái)說(shuō)，很多時(shí)候機(jī)器學(xué)習(xí)是通過(guò)神經(jīng)網(wǎng)絡(luò)創(chuàng)建和訓(xùn)練來(lái)實(shí)現(xiàn)的。神經(jīng)網(wǎng)絡(luò)一語(yǔ)極為寬泛，包含相當(dāng)數(shù)量的截然不同的子類別。這些子類別的名稱一般用于識(shí)別被實(shí)現(xiàn)的網(wǎng)絡(luò)的具體類型。這些網(wǎng)絡(luò)均在大腦皮層上建模，在大腦皮層中每個(gè)神經(jīng)元接收輸入、處理輸入并將其傳達(dá)給另一個(gè)神經(jīng)元。因此神經(jīng)元一般由輸入層、多個(gè)隱藏內(nèi)部層和一個(gè)輸出層組成。

圖1：簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)

在最簡(jiǎn)單的層面上，神經(jīng)元獲得輸入，施加權(quán)重給輸入，然后在加權(quán)輸入總和上執(zhí)行傳遞函數(shù)。結(jié)果隨后傳遞給隱藏層中的另一個(gè)層，或傳遞給輸出層。將一級(jí)的輸出傳遞給另一級(jí)且不構(gòu)成循環(huán)的神經(jīng)網(wǎng)絡(luò)被稱為前饋神經(jīng)網(wǎng)絡(luò) (FNN)，而那些有反饋、內(nèi)含定向循環(huán)的神經(jīng)網(wǎng)絡(luò)則被稱為遞歸神經(jīng)網(wǎng)絡(luò) (RNN)。在眾多機(jī)器學(xué)習(xí)應(yīng)用中極為常用的神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò) (DNN)。這類神經(jīng)網(wǎng)絡(luò)擁有多個(gè)隱藏層，能實(shí)現(xiàn)更復(fù)雜的機(jī)器學(xué)習(xí)任務(wù)。為確定每層使用的權(quán)重和偏差值，需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練過(guò)程中，該神經(jīng)網(wǎng)絡(luò)施加有一定數(shù)量的正確輸入和錯(cuò)誤輸入，并使用誤差函數(shù)教授網(wǎng)絡(luò)所需的性能。訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)可能需要龐大的數(shù)據(jù)集來(lái)正確訓(xùn)練所需性能。

機(jī)器學(xué)習(xí)最重要的應(yīng)用之一是嵌入式視覺領(lǐng)域，各類系統(tǒng)正在從視覺使能系統(tǒng)演進(jìn)為視覺引導(dǎo)自動(dòng)化系統(tǒng)。嵌入式視覺應(yīng)用與其他更簡(jiǎn)單的機(jī)器學(xué)習(xí)應(yīng)用的區(qū)別在于它們采用二維輸入格式。因此，在機(jī)器學(xué)習(xí)實(shí)現(xiàn)方案中，通過(guò)使用稱為卷積神經(jīng)網(wǎng)絡(luò) (CNN) 的網(wǎng)絡(luò)結(jié)構(gòu)，因?yàn)樗鼈兡軌蛱幚矶S輸入。CNN 是一類前饋網(wǎng)絡(luò)，內(nèi)置多個(gè)卷積層和子采樣層以及一個(gè)單獨(dú)的全連通網(wǎng)絡(luò)，以執(zhí)行最終分類。鑒于 CNN 的復(fù)雜性，它們也歸屬深度學(xué)習(xí)類別。在卷積層中，輸入圖像被細(xì)分為一系列重疊的小模塊。在進(jìn)行進(jìn)一步的子采樣和其它階段之前，該卷積的結(jié)果先通過(guò)激活層創(chuàng)建激活圖，然后應(yīng)用到最終的全連通網(wǎng)絡(luò)上。CNN 網(wǎng)絡(luò)的具體定義因?qū)崿F(xiàn)的網(wǎng)絡(luò)架構(gòu)而異，但它一般會(huì)包含至少下列元：
● 卷積 – 用于識(shí)別圖像中的特征
● 修正線性單元（reLU）- 用于在卷積后創(chuàng)建激活圖的激活層
● 最大池化 – 在層間進(jìn)行子采樣
● 全連通 - 執(zhí)行最終分類

這些元中每一個(gè)元的權(quán)重通過(guò)訓(xùn)練決定，同時(shí) CNN 的優(yōu)勢(shì)之一在于訓(xùn)練網(wǎng)絡(luò)相對(duì)容易。通過(guò)訓(xùn)練生成權(quán)重需要龐大的圖像集，其中既有需要檢測(cè)的對(duì)象，也有偽圖像。這樣能讓我們?yōu)?CNN 創(chuàng)建所需的權(quán)重。由于訓(xùn)練流程中所涉及的處理要求，訓(xùn)練流程一般運(yùn)行在提供高性能計(jì)算的云處理器上。

框架
機(jī)器學(xué)習(xí)是一個(gè)復(fù)雜的課題，尤其是在每次不得不從頭開始，定義網(wǎng)絡(luò)、網(wǎng)絡(luò)架構(gòu)和生成訓(xùn)練算法的時(shí)候。為幫助工程師實(shí)現(xiàn)網(wǎng)絡(luò)和訓(xùn)練網(wǎng)絡(luò)，有一些行業(yè)標(biāo)準(zhǔn)框架可供使用，例如 Caffe 和 Tensor Flow。Caffe 框架為機(jī)器學(xué)習(xí)開發(fā)人員提供各種庫(kù)、模型和 C++ 庫(kù)內(nèi)的預(yù)訓(xùn)練權(quán)重，同時(shí)提供 Python 和 Matlab 綁定。該框架能讓用戶無(wú)需從頭開始即能創(chuàng)建網(wǎng)絡(luò)并訓(xùn)練網(wǎng)絡(luò)，以開展所需的運(yùn)算。為便于重復(fù)使用,Caffe 用戶能通過(guò) model zoo 共享自己的模型。Model Zoo 提供多種能根據(jù)所需的專門任務(wù)實(shí)現(xiàn)和更新的模型。這些網(wǎng)絡(luò)和權(quán)重定義在 prototxt 文件中。在用于機(jī)器學(xué)習(xí)環(huán)境時(shí)，prototxt 文件是用于定義推斷引擎的文件。

圖2：定義網(wǎng)絡(luò)的 Prototxt 文件實(shí)例

實(shí)現(xiàn)嵌入式視覺和機(jī)器學(xué)習(xí)
基于可編程邏輯的解決方案，例如異構(gòu)賽靈思 All Programmable Zynq? -7000 SoC（片上系統(tǒng)）和 Zynq? UltraScale+? MPSoC 等多處理器片上系統(tǒng) (MPSoC) 越來(lái)越廣泛地用于嵌入式視覺應(yīng)用。這些器件將可編程邏輯 (PL) 架構(gòu)與處理系統(tǒng) (PS) 中的高性能ARM? 內(nèi)核完美組合在一起。這種組合形成的系統(tǒng)擁有更快的響應(yīng)速度，極為靈活便于未來(lái)修改，并且提供了高能效解決方案。對(duì)許多應(yīng)用來(lái)說(shuō)低時(shí)延決策與響應(yīng)循環(huán)極為重要。例如視覺引導(dǎo)自主機(jī)器人，響應(yīng)時(shí)間對(duì)避免給人員造成傷害、給環(huán)境造成破壞至關(guān)重要?？s短響應(yīng)時(shí)間的具體方法是使用可編程邏輯實(shí)現(xiàn)視覺處理流水線和使用機(jī)器學(xué)習(xí)推斷引擎實(shí)現(xiàn)機(jī)器學(xué)習(xí)。在這方面使用可編程邏輯，與傳統(tǒng)解決方案相比可減少系統(tǒng)瓶頸問(wèn)題。在使用基于 CPU/GPU 的方法時(shí)，運(yùn)算每一階段都需要使用外部 DDR，因?yàn)閳D像不能在有限內(nèi)部緩存內(nèi)的功能間傳遞。可編程邏輯方法使用內(nèi)部 ARM 按需提供緩存，允許采用流媒體方法。避免在 DDR 內(nèi)存儲(chǔ)中間元不僅可降低圖像處理的時(shí)延，而且還能降低功耗，甚至提高確定性，因?yàn)闊o(wú)需與其他系統(tǒng)資源共享訪問(wèn)。

圖 3：可編程邏輯實(shí)現(xiàn)的好處