reVISION惊艳登场，Xilinx让视觉导向机器学习更简单！

"Vrvana enables truly immersive Mixed‐Reality experiences by leveraging Xilinx’s All Programmable technology, which provides the flexibility and throughput capability important for a low‐ latency, high‐resoluTIon, camera‐based Mixed‐Reality soluTIon that is unique on the market," said Bertrand Nepveu, CEO. The release of the reVISION stack for Xilinx will give us the ability to more rapidly integrate new computer vision and machine learning features into our headsets."

此外很多从事机器学习的厂商对reVISION 堆栈表示了欢迎这里不一一列举了。据透露目前在无人驾驶、无人机、工业视觉、医疗诊断领域已经有大量客户采用了赛灵思的FPGA嵌入式视觉方案，因此，赛灵思能洞悉客户需求，及时推出加速视觉导向的机器学习堆栈。

3、为什么reVISION 堆栈性能如此突出？

机器学习从应用端走向云端是必然发展趋势，赛灵思一直深耕这个领域，面向云应用，赛灵思推出了可重配置加速堆栈（2016年11月推出详见《FPGA 成超级数据中心主流应用，赛灵思5年转型见成效》），目标直指包括机器学习推断在内的各种计算加速应用。 而reVISION? 堆栈则是面向端应用机器学习加速工具。

Steve 表示reVISION? 堆栈性能突出赢在赛灵思FPGA的独特工艺和架构。例如在响应速度快方面，"在嵌入式GPU和典型的SoC中，需要传输的数据以及需要用于计算机视频视觉处理和机器学习的数据是需要经过外部存储，但赛灵思SoC经过了优化，可以简化数据流是从传感器到视觉处理、机器学习甚至到控制的处理无需经过外部存储。所以系统响应速度会快很多。"Steve解释说，"另外一方面响应还可以预知，每次都可以知道系统对于外部事件作出响应的时间，而我们的竞争对手并没有办法去预知响应时间。"

另外，他强调在开发下一代DSP内核时，赛灵思定义了一种高效的DSP内核，赛灵思的 DSP48E2 设计用于在一个时钟周期内高效地完成一个乘法累加算法 , 多达 18x27 位的乘法和多 达 48 位的累加,如下图所示。

在运行 INT8 深度学习时，Altera较宽的 27 位宽自然占有优势。在传统应用中，预加法器一般用于高效实现 (A+B) x C 计算，但这类计算在深度学习应用中很少见。将 (A+B) x C 的结果拆分为 A x C 和 B x C，然后在独立的 数据流中进行累加,使之适用于典型深度学习计算的要求。

对 INT8 深度学习运算来说，拥有 18x27 位乘法器很占优势。乘法器的输入中至少有一个必须为最小 24 位，同时进位累加器必须为 32 位宽，才能在一个 DSP Slice 上同时进行两个 INT8 MACC 运算。27 位输 入能与 48 位累加器结合,从而将深度学习求解性能提升 1.75 倍(1.75:1 即为 DSP 乘法器与 INT8 深度 学习 MACC 的比率)。而其他厂商如Altera所提供的 FPGA 在单个 DSP 模块中只提供 18x19 乘法器,DSP 乘法器与 INT8 MACC 之比仅为 1:1。

"Altera早做下一代DSP开发的时候，本来它的DSP定点效率就要低于赛灵思，它后来做出的决定使得它比原来落后赛灵思的差距又扩大了，比赛灵思的效率低了100%，所以在8位一个周期里我们可以操作运算两次，而它只能一次，所以在DSP架构方面，赛灵思的比它的效率提升两倍，但实际上我们最高效率可以比它大6倍，所以除了这个DSP以外，我们还有其他两个优势。"Steve 表示，"在我们存储器层级上，我们引入一个XRAM架构，另外一个优势是我们的工艺领先Altera一代。"这是一个对比。

他也表示神经网络理论是不断发展的，过去两年里取得的进展几乎要等于之前45年的技术进步 因此赛灵思的方案还可以了重配置性。"通过这样可重配置的功能，就可以应用最新的关于视觉和机器学习方面的最新的技术和进展，而无需来改变自己系统的硬件。"他表示。

另外，在嵌入式视觉领域，越来越多的传感器技术需要融合进来，例如以前是环境传感器，而现在则融合了更多化学、机械、光学、成像、雷达等等，融合的驱动就是人工智能，所以赛灵思的reVISION也考虑到了传感器的融合发展。"传感器融合很重要，例如工业机器人在工作时，除了视觉处理还需要压力处理，因为曾经发生或工业机器人伤害人类的事件，所以需要度传感器信号做融合处理。"他指出。

它的驱动力量在于人工智能，也就是人工智能在所有AI扩展驱动了传感器融合的渠道。所以我们推出的reVISION，它能够实现非常独特的可重配置的功能，不仅仅是能够支持不