关于深度学习硬件加速器的介绍和应用

Chips&Media 成功采用 Mentor Catapult High-Level Synthesis (HLS) 平台实现了首个计算机视觉 IP；

Chips&Media 通过 Catapult HLS 将模块设计/验证时间缩短了一半，并实现了关键的现场可编程门阵列 (FPGA) 演示系统；

Catapult HLS 方法论使探索多种架构并为深度神经网络加速器寻找最佳实现方案成为了可能。

Mentor, A Siemens Business 宣布 Chips&Media 已成功部署 Mentor Catapult HLS 平台，将使用深度神经网络 (DNN) 算法设计和验证其 c.WAVE 计算机视觉 IP 的实时对象检测。Chips&Media 是一家面向片上系统 (SoC) 设计高性能、高质量视频 IP 的领先供应商，其产品广泛应用于汽车、监控和消费电子领域。

Chips&Media 需要通过减少功能验证时间、时序收敛、自定义和最终优化来大幅提高生产力，把更多时间用于机器算法和架构的研发上，从而为客户快速提供差异化的机器学习 IP。为实现这些目标，他们弃用了传统的手工编码寄存器传输级 (RTL) 流程，转而采用 Catapult HLS 平台，以使用 C 语言编写算法和验证平台。与同一项目中使用 RTL 流程的团队相比，HLS 设计和验证团队将项目时间缩短了一半。

“要应对以推理为目标的设备带来的加速挑战，我们认为关键在于使用深度神经网络建立一个专注于功耗、性能和面积 (PPA) 并高度优化的硬件架构，”Chips&Media 首席技术官 Mickey Jeon 表示。“HLS 使我们能够极其高效地完成这项工作。我们的项目取得了突出的成绩，我们计划在接下来的项目中部署应用 Catapult 的 HLS 流程。”

基于 DNN 的计算机视觉处理的特征，就是乘法/加法/累加的重复计算，同时通过神经网络层进行大量数据迁移。DNN 是在 Caffe 或 TensorFlow 等框架上开发的，然后在 C 模型中捕获其算法。Chips&Media 将此算法 C 模型改进为可综合的 C 代码，并使用 Catapult HLS 平台快速探索各种架构并综合到 RTL 中，以找到此类设计的最佳解决方案。

“根据我们的观察，在市场快速变化的多个应用领域，采用 Catapult HLS 是提高生产力来获得成功的唯一途径，”Mentor 数字设计和实施解决方案总经理 Badru Agarwala 表示。“我们一直与 Chips&Media 密切合作，以确保他们平稳过渡到 HLS。该平台可以让他们专注于算法/架构设计，而不是底层实现和调试等细节，从而更快地把想法变成产品，然后推向市场。”

借助 Catapult HLS 平台，设计人员便能利用行业标准 ANSI C++ 和 SystemC 来描述功能意图，并将其提高到生产率更高的抽象层次。根据这些高层次的描述，Catapult 即可快速生成产品级的 RTL。Catapult 平台将综合与形式 C 属性检查功能相结合，以便及早发现 C++/SystemC 级别的错误并在综合之前全面验证源代码。高度交互的 Catapult 工作流程可提供对综合过程的完全可见性和控制，使设计人员能够迅速收敛到 PPA 的最佳实现方案。此外，Catapult 的高级功耗优化功能也可以自动大幅降低动态功耗。