t770芯片怎么样 AI Benchmark跑分看展锐5G芯片T770性能特性-电子发烧友网

近日，AI Benchmark发布了最新Mobile SoCs推理测试结果。在这份备受AI圈关注的“战报”中，紫光展锐5G芯片T770取得了86.2K的不俗成绩。

AI Benchmark是全球权威AI性能评测平台，由苏黎世联邦理工学院计算机视觉实验室出品。这个实验室由计算机视觉领域著名学者Luc Van Gool, 医疗影像教授Ender Konukoglu，以及计算机视觉及系统教授Fisher Yu的研究组组成，是整个欧洲乃至世界最顶尖的CV/ML研究机构之一。

AI Benchmark涵盖了26组测试，共计78个测试子项，包括了目标识别、目标分类、人脸识别、光学字符识别、图像超分，图像增强、语义分割、语义增强等AI场景，从CPU、AI加速器对INT8和FP16模型的推理速度、准确性、初始化时间等数据全方位衡量平台/设备的AI能力。因此，AI Benchmark可以从比较客观的角度评估芯片的AI 性能。

在12个维度的测试里，共计102个测试数据，T770有超过59.8%的数据超过竞品。

具体表现在图片分类、并发场景 (量化模型)、目标检测、文字识别、语义分割、图像超分、图像分割、深度估计、图像增强、视频超分、自动文本生成等场景。

接下来，让我们从几个关键的测试维度看下T770 AI性能的具体表现：

逐项拆解之MobileNet

首先来看较为经典的MobileNet神经网络维度。这里稍微提一下MobileNet的由来：谷歌在2017年提出了专注于移动端或者嵌入式设备中的轻量级CNN网络，其最大的创新点是提出了深度可分离卷积。mobileNet-V2是对mobileNet-V1的改进，是一种轻量级的神经网络。mobileNet-V2保留了V1版本的深度可分离卷积，增加了线性瓶颈（Linear Bottleneck）和倒残差（Inverted Residual），而MobileNet-V3是谷歌基于MobileNet-V2之后的又一项力作，在精度和时间上均有提高。MobileNet-V3做了哪些修改呢？它引入了SE结构、修改了尾部结构和channel的数量，做了非线性变换的改变。MobileNet-V3提供了两个版本，一个是mobileNet-V3 Large，也就是AI Benchmark这次测试用的版本，另一个是MobileNet-V3 Small版本，分别对应了对计算和存储要求高与低的版本。

AI-Benchmark主要选取了V2和V3 Large两个版本进行测试。下图这个数据柱状图表达的是什么意思呢？这里包含了CPU、AI加速器分别对于量化和浮点模型的处理表现，主要从推理速度和准确性两个维度去评估平台/设备的AI能力，时间单位是毫秒。

灰色的柱形图代表竞品，紫色的代表T770。可以看到，在mobileNet-V2维度，T770在CPU量化、CPU浮点、加速器量化的处理上基本是优于竞品的。加速器浮点上略有差距，在mobileNet-V3 Large维度，T770在CPU量化、CPU浮点、加速器浮点的处理上是优于竞品的，加速器量化上略有差距，两者数据各有千秋，从MobileNet神经网络整体维度，T770优于竞品。

逐项拆解之Inception-V3

Inception-V3 架构的主要思想是 factorized convolutions (分解卷积) 和 aggressive regularization (激进的正则化)。可以看到，在精度基本一致的情况下，在CPU浮点、加速器量化这两个关键维度上，T770运行Inception-V3的运行速度更快，加速器浮点模型数据的运行速度上略有差距，但精度略优于竞品，如下图所示：

逐项拆解之EfficientNet

EfficientNet是谷歌研究人员在一篇 ICML 2019 论文《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》中提出的一种新型模型缩放方法。可以看到，T770运行EfficientNet的表现与竞品相当，在CPU浮点、加速器量化、加速器浮点模型数据的运行速度上均有优势。

刚才提到的MobileNet、Inception-V3、EfficientNet网络结构常用于图像分类、目标检测、语义分割等技术开发中。这些神经网络结构可应用的常见场景有手机相册中的相册分类，手势识别等，工业上可用于快递分拣、头盔检测、头盔识别等场景，在医学领域会用于皮肤真菌识别等应用。当然这些神经网络所能支撑的场景，不限于刚刚介绍到的，可利用这些AI能力开发出更多的基于对物体/事物的分类场景。

T770在这些神经网络结构上的不俗表现表明：T770有更全面、更强大的能力去支撑这些场景的开发。

逐项拆解之Inception-V3 Parallel

接下来再看Inception-V3 Parallel (NN-INT8)，你肯定会想，怎么又来一个Inception-V3，刚才不是show过了？是重复了吗？搞错了吗？当然没有！这里介绍的是Inception-V3 Parallel的能力，即同时处理多个Inception-V3，对应的是平台/设备对于AI并发处理的能力，怎么去理解这个并发处理呢？举个栗子吧，哦，今天忘记带栗子了，不好意思(╯▽╰)。

简单来讲，就是应用程序同时下发多个任务处理，再简单点讲就是，同时在做两件事情或多件事情，比如图片分类和手势识别同时进行。还不明白？再简单点，就好比人在吃饭的同时刷抖音短视频。

OK，我们来看下具体数据，下图显示的是AI加速器对1/2/4/8个量化模型同时处理的能力，可以明显看到，T770在AI多任务处理能力上占有明显优势。

逐项拆解之Yolo-v4 Tiny

我们再看Yolo-V4 Tiny结构，它是Yolo-V4的精简版，属于轻量化模型，参数只有600万，相当于原来的十分之一，这使检测速度有了很大提升，非常有利于在端侧进行部署，在智能安防领域中已有大量应用，比如车辆识别、人员识别、路径预测和跟踪、行为分析、安全帽识别等。

先看下具体数据，如下图，除加速器量化模型部分略有不足之外，其他均有优势，如CPU量化、浮点，加速器浮点等。

逐项拆解之DPED – ResNet

再看一下T770在DPED - ResNet处理维度的表现，解释一下，DPED是DSLR Photo Enhancement Dataset，而DSLR指的是Digital Single Lens Reflex Camera，即数码单反相机。讲到这一点，不得不提到一篇论文《DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks》，这是一篇发布于2017年关于图像增强的神经网络论文，大概成果就是将手机照片作为输入，将DSLR相机拍出的照片作为target，通过网络使其学习到一个映射函数，目的是让手机拍出单反相机照片的效果。

基于DPED，我们可以将老旧或低质量的照片转化为高质量的照片，而且转化效果很好，可用于照片美化等应用场景。如下图，可以看到T770在对DPED - ResNet处理的错误率一致的情况下，错误率都很低，处理速度上有明显优势。

逐项拆解之LSTM

接下来，我们再看一下T770在长短期记忆网络（Long-Short Term Memory，LSTM）方面的性能。由于独特的设计结构，LSTM适合处理和预测时间序列中间隔和延迟非常长的重要事件。LSTM的表现通常比时间递归神经网络及隐马尔科夫模型（HMM）更好，比如用在不分段连续手写识别上。

2009年，用LSTM构建的人工神经网络模型赢得ICDAR手写识别比赛冠军。LSTM还普遍应用在自主语音识别，2013年，运用TIMIT自然演讲数据库实现了17.7%错误率纪录。作为非线性模型，LSTM可作为复杂的非线性单元，用于构造更大型深度神经网络。

下图可以看到，T770在对LSTM处理的错误率一致的情况下，处理速度上有着明显优势。

逐项拆解之U-Net

U-Net是比较早的使用全卷积网络进行语义分割的算法之一，因网络形状酷似U而得名。图像语义分割(Semantic Segmentation)是图像处理和机器视觉技术中，关于图像理解的重要一环，也是 AI 领域中一个重要的分支。语义分割对图像中每一个像素点进行分类，确定每个点的类别（如属于背景、人或车等），从而进行区域划分。目前，语义分割已经被广泛应用于自动驾驶、无人机落点判定等场景中。U-Net在医学领域也得到了应用，比如医学图像解析，也就是从一副医疗图像中，识别出特定的人体部位，比方说“前列腺”、“肝脏”等等。

下图可以看到，T770和竞品对U-net处理的错误率都极低，而T770在拥有极低错误率的同时，处理速度明显占优。