半导体行业观察|前端人脸识别芯片选型指南来源：内容来自半导体行业观察（ID：ic

文章图片
来源：内容来自半导体行业观察（ID：icbank）的原创文章，作者：BillG ，谢谢。
之前跟?家交流端侧AI芯?的过去与现状，后续想跟各位?伙伴陆续聊?些我所做过的AI应?在芯?选型过程的总结考量。当今的AI领域，如果说商业变现之最，我觉得当之?愧是?脸识别应? 。从早期基于服务器的公安/?融应? ，到现在随处可?的前端?脸识别摄像头、?禁考勤机、?蛙/蜻蜓的刷脸?付，这种从云到端的变化很?程度上归功于前端芯?AI计算能?的?幅提升， 17年时我们提到AI算?还以”G“为量级，今天拥有"TOPS"算?的前端SOC已经??皆是。那么对于?脸识别的前端应? ，我们该如何选择合适的芯?开发产品呢？
【半导体行业观察|前端人脸识别芯片选型指南】从“准快稳”到“稳准快”
既然今天讨论的是?脸识别在前端的应? ，那么我们先简要介绍?下?脸识别及应?是什么？我?脸识别的本质是基于?脸信息，通过深度学习技术?段，对?员身份进??种“鉴权” 。这种鉴权的结果，当我们加上“时间”和“空间”维度的数据标签后，就可以让?脸识别形成上层应? 。 ?如当对?脸识别结果增加“时间”标签后，这就是访客系统的雏形；当我们增加“时间”+“空间”标签后，这就是考勤系统的雏形；当鉴权+时间+空间都满? ，同时增加了?机账户信息后，这就是?付系统的雏形。 ?切的基础来?于适应不同标准的鉴权结果。
由于?脸识别是典型的技术驱动催?的产品应? ，从15年到17年产品的主要关注点依次还是准确率＞速度＞系统稳定性，在早期最容易证明技术准确性的就是在Imagenet“刷榜” ，我们?乎可以看到今天的独?兽在那个时间段都上过榜。到了17年后， ?家开始推出前端硬件产品，开始在速度上?拼，这?的原因有? ，第?是学术界精度研究的触顶，第?是专?的AI芯?开始普及。从18年到?今，由于市场开始爆发，出现规模效应，系统稳定性的价值开始被?家?泛关注，所以我们衡量好的?脸识别产品也从“准快稳”到了“稳准快” 。
前端?脸识别产品由推理算法及算法应?、嵌?式（影像系统、连接系统、显示系统等等）、端云结合应?三?核?组件构成，当然每个硬件产品都需要具备的PCBA、模具、线缆基础部分也需要具备。下?的?章会逐步给?家介绍这三?核?组件以及它们与SOC芯?的关系。
理解AI计算
?脸识别应?离不开深度学习算法的突破，深度学习算法?离不开卷积神经?络的发展，我们将?脸识别产品落地的过程，其实就是将卷积运算运?在各类前端处理器的过程。那么在这个过程中有哪些值得我们注意的地?呢？
?精度轻量化模型——上?的?章我们讲过， ?脸识别算法已经度过了通过?型?络提?精度的时代，像mobilenet这种轻量化的分类模型，已经在精度上达到了VGG-16?平（71%），新的v3版本甚?还做到了超越。在精度接近的情况，这种轻量化模型?疑能速度上占据优势，同时这类?精度轻量化模型的发展，也??降低了AI处理器的算?准??槛。
卷积运算硬件化——深度学习算法?络?般有池化、卷积、BN、激活函数、全连接等操作，但是其中90%以上的运算都集中在卷积过程，卷积操作本质是卷积核矩阵与输?数据矩阵的乘加。我们在早期没有专?硬件时，使?ARMCPU来完成这种乘加操作，接着?尝试了多核DSP ，后来选择了以硬件乘加器MACs组成的CNN加速器。 ?专?CNN加速器在前端胜利的原因当然是最优卷积运算效率和最优的能效，本质上赢在?个“专”字上。
深度卷积的提出——mobilenet这种轻量化模型的发明，本质的创新在于对深度卷积（depthwise）的引? ，深度卷积相?于普通卷积?幅降低了乘加计算量，同时也减少了模型的参数量。这对于芯?CNN部分影响就?常?了，试想当乘加器的运算耗时?幅减少， CNN部分的计算瓶颈就来到了数据交换速率，也就是数据带宽。由于这?创新是17年才提出，在近两年才被逐步认可其精度的等效性， ??前?代的CNN加速器芯?也都是这两年的才陆续上市，他们的规划时间?多也是在1718年，因此如果单就CNN加速器的发展?? ，应该在下?代AI芯?会对深度卷积有较好的?持。