我們可以對神經(jīng)網(wǎng)絡架構(gòu)進行優(yōu)化，使之適配微控制器的內(nèi)存和計算限制范圍，并且不會影響精度。我們將在本文中解釋和探討深度可分離卷積神經(jīng)網(wǎng)絡在 Cortex-M 處理器上實現(xiàn)關(guān)鍵詞識別的潛力。 關(guān)鍵詞識別 (KWS) 對于在智能設(shè)備上實現(xiàn)基于語音的用戶交互十分關(guān)鍵，需要實時響應和高精度，才能確保良好的用戶體驗。最近，神經(jīng)網(wǎng)絡已經(jīng)成為 KWS 架構(gòu)的熱門選擇，因為與傳統(tǒng)的語音處理算法相比，神經(jīng)網(wǎng)絡的精度更勝一籌。
關(guān)鍵詞識別神經(jīng)網(wǎng)絡管道 由于要保持“永遠在線”，KWS 應用的功耗預算受到很大限制。雖然 KWS 應用也可在專用 DSP 或高性能 CPU 上運行，但更適合在 Arm Cortex-M 微控制器上運行，有助于最大限度地降低成本，Arm Cortex-M 微控制器經(jīng)常在物聯(lián)網(wǎng)邊緣用于處理其他任務。 但是，要在基于 Cortex-M 的微控制器上部署基于神經(jīng)網(wǎng)絡的 KWS，我們面臨著以下挑戰(zhàn)： 1. 有限的內(nèi)存空間 典型的 Cortex-M 系統(tǒng)最多提供幾百 KB 的可用內(nèi)存。這意味著，整個神經(jīng)網(wǎng)絡模型，包括輸入/輸出、權(quán)重和激活，都必須在這個很小的內(nèi)存范圍內(nèi)運行。 2. 有限的計算資源 由于 KWS 要保持永遠在線，這種實時性要求限制了每次神經(jīng)網(wǎng)絡推理的總運算數(shù)量。 以下是適用于 KWS 推理的典型神經(jīng)網(wǎng)絡架構(gòu)： • 深度神經(jīng)網(wǎng)絡 (DNN) DNN 是標準的前饋神經(jīng)網(wǎng)絡，由全連接層和非線性激活層堆疊而成。 • 卷積神經(jīng)網(wǎng)絡 (CNN) 基于 DNN 的 KWS 的一大主要缺陷是無法為語音功能中的局域關(guān)聯(lián)性、時域關(guān)聯(lián)性、頻域關(guān)聯(lián)性建模。CNN 則可將輸入時域和頻域特征當作圖像處理，并且在上面執(zhí)行 2D 卷積運算，從而發(fā)現(xiàn)這種關(guān)聯(lián)性。 • 循環(huán)神經(jīng)網(wǎng)絡 (RNN) RNN 在很多序列建模任務中都展現(xiàn)出了出色的性能，特別是在語音識別、語言建模和翻譯中。RNN 不僅能夠發(fā)現(xiàn)輸入信號之間的時域關(guān)系，還能使用“門控”機制來捕捉長時依賴關(guān)系。 • 卷積循環(huán)神經(jīng)網(wǎng)絡 (CRNN) 卷積循環(huán)神經(jīng)網(wǎng)絡是 CNN 和 RNN 的混合，可發(fā)現(xiàn)局部時間/空間關(guān)聯(lián)性。CRNN 模型從卷積層開始，然后是 RNN，對信號進行編碼，接下來是密集全連接層。 • 深度可分離卷積神經(jīng)網(wǎng)絡 (DS-CNN) 最近，深度可分離卷積神經(jīng)網(wǎng)絡被推薦為標準 3D 卷積運算的高效替代方案，并已用于實現(xiàn)計算機視覺的緊湊網(wǎng)絡架構(gòu)。 DS-CNN 首先使用獨立的 2D 濾波，對輸入特征圖中的每個通道進行卷積計算，然后使用點態(tài)卷積（即 1x1），合并縱深維度中的輸出。通過將標準 3D 卷積分解為 2D和后續(xù)的 1D，參數(shù)和運算的數(shù)量得以減少，從而使得更深和更寬的架構(gòu)成為可能，甚至在資源受限的微控制器器件中也能運行。 在 Cortex-M 處理器上運行關(guān)鍵詞識別時，內(nèi)存占用和執(zhí)行時間是兩個最重要因素，在設(shè)計和優(yōu)化用于該用途的神經(jīng)網(wǎng)絡時，應該考慮到這兩大因素。以下所示的神經(jīng)網(wǎng)絡的三組限制分別針對小型、中型和大型 Cortex-M 系統(tǒng)，基于典型的 Cortex-M 系統(tǒng)配置。
KWS 模型的神經(jīng)網(wǎng)絡類別 (NN) 類別，假定每秒 10 次推理和 8 位權(quán)重/激活 要調(diào)節(jié)模型，使之不超出微控制器的內(nèi)存和計算限制范圍，必須執(zhí)行超參數(shù)搜索。下表顯示了神經(jīng)網(wǎng)絡架構(gòu)及必須優(yōu)化的相應超參數(shù)。
神經(jīng)網(wǎng)絡超參數(shù)搜索空間 首先執(zhí)行特征提取和神經(jīng)網(wǎng)絡模型超參數(shù)的窮舉搜索，然后執(zhí)行手動選擇以縮小搜索空間，這兩者反復執(zhí)行。下圖總結(jié)了適用于每種神經(jīng)網(wǎng)絡架構(gòu)的最佳性能模型及相應的內(nèi)存要求和運算。DS-CNN 架構(gòu)提供最高的精度，而且需要的內(nèi)存和計算資源也低得多。
最佳神經(jīng)網(wǎng)絡模型中內(nèi)存與運算/推理的關(guān)系 KWS 應用部署在基于 Cortex-M7 的 STM32F746G-DISCO 開發(fā)板上（如下圖所示），使用包含 8 位權(quán)重和 8 位激活的 DNN 模型，KWS 在運行時每秒執(zhí)行 10 次推理。每次推理（包括內(nèi)存復制、MFCC 特征提取、DNN 執(zhí)行）花費大約 12 毫秒。為了節(jié)省功耗，可讓微控制器在余下時間處于等待中斷 (WFI) 模式。整個 KWS 應用占用大約 70 KB 內(nèi)存，包括大約 66 KB 用于權(quán)重、大約 1 KB 用于激活、大約 2 KB 用于音頻 I/O 和 MFCC 特征。
Cortex-M7 開發(fā)板上的 KWS 部署 總而言之，Arm Cortex-M 處理器可以在關(guān)鍵詞識別應用中達到很高的精度，同時通過調(diào)整網(wǎng)絡架構(gòu)來限制內(nèi)存和計算需求。DS-CNN 架構(gòu)提供最高的精度，而且需要的內(nèi)存和計算資源也低得多。 代碼、模型定義和預訓練模型可從 github.com/ARM-software 獲取。 我們?nèi)碌臋C器學習開發(fā)人員網(wǎng)站提供一站式資源庫、詳細產(chǎn)品信息和教程，幫助應對網(wǎng)絡邊緣的機器學習所面臨的挑戰(zhàn)。 本博客基于白皮書“網(wǎng)絡邊緣：微控制器上的關(guān)鍵詞識別”(Hello Edge: Keyword Spotting on Microcontrollers)，該白皮書最初發(fā)布在康奈爾大學圖書館網(wǎng)站上。要下載 Arm 白皮書副本，請點擊以下鏈接。 https://community.arm.com/cfs-file/__key/telligent-evolution-components-attachments/01-2142-00-00-00-01-34-26/Arm_5F00_KeywordSpotting_5F00_Whitepaper.pdf |
