威盛亮相2019智能汽车视觉大会并发表主旨演讲（附演讲全文）( 六 )_2019年9月5-6日

(开发和实现DMS的过程)

具体开发流程如上图所示，在Linux工作站上，我们对样本进行训练，获得了培训过的模型，通过威盛自己的深度神经网络优化器，获得优化后的模型，使用模型工具把优化后的模型转化为.dlc文件，作为后续嵌入式平台进行实时计算的基础。

在嵌入式平台上，DMS应用通过威盛DMS SDK来加载神经网络模型，通过CPU,GPU以及DSP的协同工作，获得计算结果。

这里介绍一下威盛CNN优化器的情况，虽然现在智能芯片对于神经网络都做了加速，但有限的算力永远跟不上需求的发展和变化，通过对算法的优化，可以提升计算速度，减少存储空间，在有限的计算能力下也能达到目标。在保持精度的前提下，通过不同的优化方式，在存储空间上，可以减少30%，在计算速度上达到13~18%的提升。

对比这两种典型的应用，我们可以看到，通过神经网络来解决视觉问题，根本上是靠训练来解决问题，模型确定后，训练的数据样本决定了未来的输出结果。对没有接触过的样本，输出结果是不确定的。