MLPerf基准：阿里RISC-V处理器语音唤醒推理技术方案

2022-04-12 710

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 4月7日，AI基准测试 MLPerf™ Tiny Benchmark结果公布，阿里巴巴在嵌入式语音唤醒场景中提交的方案较好地平衡了推理任务中的准确率与延时，保证准确率90.7%情况下耗时最短。

4月7日，AI基准测试 MLPerf™ Tiny Benchmark结果公布，阿里巴巴在嵌入式语音唤醒场景中提交的方案较好地平衡了推理任务中的准确率与延时，保证准确率90.7%情况下耗时最短。

本文介绍该方案在NN Compiler和RISC-V指令集等软硬一体加速技术方面的实践。

|| 基准测试情况

MLPerf™ Tiny Benchmark是针对IoT领域机器学习任务软硬件性能和算法优化能力的测试，自2018年由图灵奖得主David Patterson发起后，得到了各大云计算厂商、科研机构和高校的支持和参与。有别于Datacenter等大规模、高算力场景，Tiny方向聚焦于低功耗、高性价比的AIoT应用，包含语音唤醒等4个典型AI推理任务。目前 MLPerf™ Tiny 已经开展了两期（v0.5、v0.7)。

官方链接：

https://mlcommons.org/en/inference-tiny-07/

阿里方案结果代码：

https://github.com/mlcommons/tiny_results_v0.7/tree/main/open/Alibaba/code

（注：达摩院语音实验室本次以RISC-V芯片为硬件载体参与了语音唤醒推理任务）

|| 参赛情况统计

MLPerf™ Tiny 包含了四个不同的基准，提交者可以自行选择提交全部或部分基准的性能。以下是根据厂商、硬件及基准分类的结果统计。

图片.png

上表中“厂商”代表提交机构，“系统”是指一套硬件和软件共同组成的推理和部署系统。每个“系统”可以包含4个基准的部分或全部结果数据。本次 v0.7 结果与 v0.5 相比，参与厂商数量、系统多样性和数据点数目均有明显增加。

|| 语音唤醒推理加速方案

语音交互前端信号处理技术和方案研发是达摩院语音实验室核心技术方向之一，主要采用数理建模和数据驱动等方法论，具体包含基于空间滤波的多通道语音分离/增强（麦克风阵列技术）、基于深度学习的语音增强/回声抵消（AI降噪）、信号处理和统计建模（唤醒/识别）的端到端联合优化和音视频融合多模态信号处理等技术。

在此次基准测试中，达摩院语音实验室结合多年来在语音AI技术的全面积累，贡献了在语音唤醒KWS推理任务上「芯片-编译器-算法」全链路嵌入式AI技术的全栈工程实践。

首先，找到合适嵌入式应用的深度神经网络模型规模。借助阿里云震旦SinianML模型压缩技术进行多方位的优化，通过对模型施加动态的约束和诱导，调整模型的权重分布，促使模型的表达能力紧密汇聚在部分重要的参数之中，同时结合蒸馏、弹性伸缩等手段，实现在无损或极小精度损失的情况下，较大程度减小模型的计算量，挖掘模型的极限表达能力，从源头减少模型的计算复杂度。经过此轮优化，准确率保持不变，参数量下降了69.8%，为计算量优化打下扎实的基础。模型参数压缩结果如下：

图片.png

其次，通过图优化等编译技术优化模型推理静态图。通过平头哥模型部署工具集HHB（Heterogeneous Honey Badger）将模型生成C代码形式的图结构，HHB 基于 TVM 开源框架，支持 Caffe， TensorFlow，ONNX和 TFLite 等框架导出的网络模型，将其统一转换为统一的中间表达式，并在此基础上完成神经网络模型的图优化工作。具体细节可以参考：https://gitee.com/hhb-tools。

最后，结合语音唤醒推理优化的算法领域知识，采用达摩院语音实验室自研嵌入式信号处理和神经网络加速框架和平头哥CSI-NN2汇编函数库，进一步提升模型推理过程中的存储访问效率和RISC-V处理器向量计算能力。硬件依赖的图优化和指令集加速等优化技术逐步接近硬件底层，优化结果依赖于处理器本身的设计、开发者对算法和芯片架构的深入理解。经过细致的调优，我们取得的最终加速结果如下：

图片.png