新的AI时代需要新架构：Tensilica Vision Q6
Paul Mclellan
特别邀请Cadence资深博主Paul Mclellan分享关于Cadence热门技术和产品信息。
Paul曾任Cadence全球副总裁
视觉应用与人工智能（AI）正朝着精细化的方向发展，其背后的多种推动力中，最重要的两种是高端智能手机的先进功能以及ADAS（高级驾驶辅助系统）/自动驾驶技术。
智能手机的面部识别功能需要同时调用视觉与AI处理两种技术，而且技术难度不断增加。最难的部分在于非理想状态下的面部识别，如侧脸、戴帽子、部分脸被围巾遮盖等。为此，智能手机的摄像头变得越来越精细，采用多种传感器实现高动态范围图像（HDR）、双摄变焦、图像稳定等功能。
第二个推动力，即ADAS，它的设计需要满足两大需求。第一个是面向特定功能的性能要求，比如行人侦测、驾驶员注意力监控、道路偏离预警；第二个是降低功耗。大多数芯片都安装在空气流通较差的环境（没有风扇），甚至极端温度环境，如前挡风玻璃上后视镜的背面。
还有一些其他驱动因素，如虚拟现实、增强现实、机器人、无人机、监控摄像头等技术的发展，它们的需求与上述场景大同小异。
上述功能、视觉和AI技术通常被集成到单独的摄像头管道，从降噪、视觉后处理等任务开始，再到图像分类和分割。有时候，AI需要先完成场景分类，然后再执行HDR或Bokeh焦外成像（模糊处理在日语里被称作 boke）等精细图像处理任务。
总体看来，目前有以下三种技术需求：
将视觉和AI处理集成在单一DSP
提升性能
极低功耗的限制
为了满足这三种技术需求，新一代Tensilica Vision处理器应运而生。
全新Tensilica Vision Q6简介
提高性能，我们考虑了下面几套可选方案：
增加SIMD宽度或VLIW槽的数量。但是这样会增加编程难度，因为很多闲散资源无法有效利用。简单地增加算力比有效地利用算力要简单。
多核。可以立马将可用处理能力提高一倍（或更多），但是需要两倍的本地内存，而且很难做到每个核计算负载的平衡
升频。显而易见的提高性能的方法，但代价是面积（成本）和功耗的增加
打造更高性能的新架构
Cadence决定采取第四种方案。全新Vision Q6 DSP是第五代产品，面向视觉和AI 应用量身打造，采用13级流水线，16nm工艺下可实现1.5GHz处理器频率。较上一代P5，相同版图面积条件下的频率提升达50%。峰值性能的效率提高1.25倍。采用标准图像处理内核时，性能提升可达2倍。
流水线构成如下：
指令前端（3级）
指令解码与分派（2级）
AR/标量整数管道（5标量寄存器/标量流水线）
矢量DSP（3级）
读取和写入会在指令解码一级完成后分别进行。同时，矢量执行和标量执行也分开进行，这样可以提高标量性能，并提供了增加标量cache的机会。该cache可以提高标量处理能力50%，而且存储器速度越慢，cache优势就越明显（与没有cache的情况相比）。
Q6的另一个新特色是添加了一个分支预测。流水线越深，这个功能就越重要，因为一旦错过就必须清空并重新填充流水线。
Q6与P6向上兼容，为P6写的任何代码都可以无需修改在Q6上运行。但是Q6有一些新指令无法在P6上运行。
凭借AXI4互联技术，Q6可以在多处理器环境中运行。用户不仅可以使用多个Q6 核，在VQ6的系统中增加VisionC5来分担AI的处理。
Q6编程
在芯片上设计一大堆高性能处理资源是很容易的，但程序员可能最终无法从高层软件开发中获得这些处理资源。AI采用多种框架，Q6可以实现以下功能：
安卓神经网络：在安卓平台（即非苹果智能机）上实现本地AI应用
TensorFlow、TensorFlow Lite、Caffe
定制层支持：用户可以在标准网络基础上自行添加特殊功能
支持多种标准神经网络（MobileNet、Inception、Resnet、VGG、Segnet、FCN、YOLO、RCNN、SSD等）
安卓神经网络（ANN）相对比较新，去年10月刚刚发布，到现在也就半年的时间。ANN提供的神经网络API可以让开发者无需关注具体AI处理是在应用处理器（通常是高端ARM处理器）还是在专有的AI DSP上执行。。Q6支持运行在安卓8.1系统（Oreo）的ANN，可实现实时的优化执行。右图显示的是ANN各组件的协作方式。作为专用处理器（也可称DSP，术语不同而已）的Q6位于流程的中心。
上图中显示的是现有Tensilica AI工具链，也称为XNNC（Xtensa神经网络编译器）。该工具链需要一个神经网络描述符（在Caffe或Tensorflow框架下）将其编译成可以在Q6（或P6、C5）上运行的代码。它可以自动处理许多管理工作，如DMA和tile管理。Tensilica AI处理技术采用8位定点权重，但经过几年的发展，32位浮点和8位定点也能实现同样的精度了（约0.5%量子化误差），其好处就是可以节省大量的功耗和面积。
对于HDR、语音身份认证、图像稳定等特殊算法，Cadence正与相关领域的合作伙伴展开广泛合作。我们还是Khronos公司OpenVX工作组的负责人，推动视觉处理分流标准的开发。
