深度学习推理需要庞大的运算量和内存使用量。为了在R-Car之类的车载SoC上执行实时处理,需要高效运算。这种效率化的对象之一就是在量化(转换为整数运行)深度学习模型权重等参数后再使用参数。整数运算会导致用户的神经网络模型和实际硬件输出在识别结果上产生一些差异。但即使用户没有准备硬件,也可使用R-Car DNN Simulator查看识别结果的差异。此外,与传统的指令集模拟器(ISS)不同,这里不重现每个H/W指令,而只重现输出数据,因此相对于ISS运行速度可快大约10倍,并可应用于大量图像的精度评估。此外,由于可以检查各层的输出,它还可应用于以提高精度为目的的调试。
Software title
|
Software type
|
公司
|
---|---|---|
R-Car NAS(神经结构搜索) 该工具可自动设计在R-Car上高效运行的深度学习模型
|
Model-Based Development | 瑞萨电子 |
R-Car DNN Compiler DNN编译器可自动应用深度学习模型中的R-Car V4H程序优化
|
Compiler/Assembler | 瑞萨电子 |
2 items
|
|
瑞萨电子汽车软件战略概述 | 博客 | 2023年1月31日 |
|
R-Car DNN模拟器的介绍 | 博客 | 2022年12月20日 |
瑞萨电子将与Fixstars联合开发工具套件用于优化R-Car SoC AD/ADAS AI软件 | 新闻 | 2022年12月15日 |