JavaScript is currently disabled.Please enable it for a better experience of Jumi. Tensilicas DSP kartlägger omgivningen

Det har gått ett år sedan Tensilica – som är en del av EDA-bolaget Cadence – lanserade DSP-kärnan Vision Q6. Nu kommer en uppgraderad version kallad Vision Q7 som med sina 1,82 Tops är dubbelt så kraftfull som föregångaren trots att den inte upptar större kiselyta.

Det är smartare att använda en klassisk DSP-arkitektur för beräkningar i artificiella neuronnät än att använda nya parallella arkitekturer. Det är Tensilicas filosofi bakom IP-kärnan Vision som optimerats för ändamålet.

– Vi lanserade Vision för fem år sedan och den finns i olika generationer. Jämfört med fjolårets Q6 är den nya Q7 nästan dubbelt så bra, säger Pulin Desai på Tensilica.

En tillämpning för Visionfamiljen är ansiktsigenkänning vilket också blivit en standardfunktion i bland annat mobiltelefoner. På kundlistan finns Hisilicon och Mediatek som bägge använder Vision i sina mobilkretsar.

Den nya modellen presterar upp till 1,81 Tops (biljoner operationer per sekund) med hjälp av nya instruktioner som är anpassade för att bygga upp en karta av omgivningen, även kallat Slam (simultaneous localization and mapping).

Funktionen används av allt från industrirobotar till drönare och självkörande fordon och baseras på tung, linjär algebra. Det är också en funktion som är på väg in i mobilerna där man som användare inte bara kan se vägen på kartan utan också kommer att kunna se den överlagrad i videon från kameran.

Den nya arkitekturen i Q7 är bakåtkompatibel med föregångarna P6 och Q6 vilket innebär att det ska gå att kompilera om existerande programvara och automatiskt få högre prestanda och lägre effektförbrukning.

Den stödjer heltal i form av INT8, INT16 och INT32 med enkel och dubbel noggrannhet. Det finns också stöd för flyttal med halv noggrannhet (FP16) och enkel noggrannhet (FP32).

Vad gäller programmerbarheten så finns stöd för bland annat Caffe, Tensorflow och Tensorflow Lite via Tensilica Xtensa Neural Network Compiler (XNNC) liksom för Android Neural Network (ANN).

 

MER LÄSNING:
 
KOMMENTARER
Kommentarer via Disqus

Anne-Charlotte Lantz

Anne-Charlotte
Lantz

+46(0)734-171099 ac@etn.se
(sälj och marknads­föring)
Per Henricsson

Per
Henricsson
+46(0)734-171303 per@etn.se
(redaktion)

Jan Tångring

Jan
Tångring
+46(0)734-171309 jan@etn.se
(redaktion)