最新千元边缘AI芯片比拼：谷歌Coral和英伟达Jetson谁更厉害？

nitenite

【新智元导读】Google Coral Edge TPU和NVIDIA Jetson Nano大比拼！本文从分别对两款最新推出的EdgeAI芯片做了对比，分析了二者各自的优劣势。

边缘智能被称作是人工智能的最后一公里。

, q/ z7 T( B& z! ~0 s% F/ W6 KGoogle刚刚在3月份推出了Coral Edge TPU，是一款售价不到1000元人民币的开发板（Coral Dev Board），由Edge TPU模块和 Baseboard 组成。参数如下：


/ o2 ?0 n7 ]) C, R英伟达同样在上个月发布了最新的NVIDIA Jetson Nano，Jetson Nano是一款类似于树莓派的嵌入式电脑设备，其搭载了四核Cortex-A57处理器，GPU则是拥有128个NVIDIA CUDA核心的NVIDIA麦克斯韦架构显卡，内存4GB LPDDR4，存储则为16GB eMMC 5.1，支持4K 60Hz视频解码。
6 i2 ^) ?: p# S/ t) A; J8 g. U3 n" |目前位置并没有太多关于这两款产品的评测报告。今天新智元为大家带来一篇由网友Sam Sterckval对两款产品的评测，除此以外他还测试了i7-7700K + GTX1080（2560CUDA），Raspberry Pi 3B +，以及一个2014年的MacBook pro包含一个i7-4870HQ（没有支持CUDA的内核）。
Sam使用MobileNetV2作为分类器，在imagenet数据集上进行预训练，直接从Keras使用这个模型，后端则使用TensorFlow。使用GPU的浮点权重，以及CPU和Coral Edge TPU的8bit量化tflite版本。
, M5 I, N8 {; ?. j4 N) P首先，加载模型以及一张喜鹊图像。先执行1个预测作为预热，Sam发现第一个预测总是比随后的预测更能说明问题。然后Sleep 1秒，确保所有的线程的活动都终止，然后对同一图像进行250次分类。
, X4 G% W. [1 ]2 I: A  |
2 d$ n8 B) Y! U8 _, w, M4 B对所有分类使用相同的图像，能够确保在整个测试过程中保持接近的数据总线。
8 R& G) {% |! a. v, e# _, c" o
! S1 O: D& Z- u9 d& I% ~: j, C对比结果 先来看最终的结果：
, d) O& q/ O, U  L
) R3 B+ c- n2 U3 i3 m0 S$ l线性刻度，FPS
对数刻度，FPS
) E2 P8 Z2 \# z0 m( u4 ~

6 @( g- ~% T: f0 E线性刻度，推理时间（250x）

Sam发现使用CPU的量化tflite模型得分是不同的，但似乎它总是返回与其它产品相同的预测结果，他怀疑模型有点奇怪，但能确保它不会影响性能。
对比分析 第一个柱状图中我们可以看到有3个比较突出的数据，其中两个2个是由Google Coral Edge TPU USB加速器实现的，第3个是由英特尔i7-7700K辅助NVIDIA GTX1080实现。
' p" `2 t6 S! P5 q3 }# x- Q+ a+ {我们再仔细对比一下就会发现，GTX1080实际上完全无法跟Google的Coral对飚。要知道GTX1080的最大功率为180W，而Coral Edge TPU只有2.5W。
NVIDIA Jetson Nano的得分并不高。虽然它有一个支持CUDA的GPU，但实际上并没比那台2014年MBP的i7-4870HQ快太多，但毕竟还是比这款四核，超线程的CPU要快。
( t* k% g( J* \然而相比i7 50W的能耗，Jetson Nano平均能耗始终保持在12.5W，也就是说功耗降低75％，性能提升了10％。
' s8 p3 ]; J9 h! d) W2 t/ SNVIDIA Jetson Nano
尽管Jetson Nano并没有在MobileNetV2分类器中表现出令人印象深刻的FPS率，但它的优势非常明显：
它很便宜，能耗低，更重要的是，它运行TensorFlow-gpu或任何其他ML平台的操作，和我们平时使用的其他设备一样。只要我们的脚本没有深入到CPU体系结构中，就可以运行与i7 + CUDA GPU完全相同的脚本，也可以进行训练！Sam强烈希望NVIDIA应该使用TensorFlow预加载L4T。

* q3 G$ `* H) T4 K9 Q* D$ ^' dGoogle Coral Edge TPU
Sam毫不掩饰的表达了他对Google Coral Edge TPU的精心设计以及高效率的喜爱。下图我们可以对比Edge TPU有多小。
' A, h1 v7 D2 A/ `2 q$ \0 j
Penny for scale，来源：谷歌
7 [! _2 S$ u- C! O
Edge TPU就是所谓的“ASIC”（专用集成电路），这意味着它具有FET等小型电子部件，以及能够直接在硅层上烧制，这样它就可以加快在特定场景下的推力速度。但Edge TPU无法执行反向传播。

' i: q$ m, [! O% ^6 rGoogle Coral Edge TPU USB加速器

下图显示了Edge TPU的基本原理。

9 C7 ?- {, {/ [, a; Y0 u" x0 G" Z像MobileNetV2这样的网络主要由后面带有激活层的卷积组成。公式如下：

( ~6 t$ E, R: ?" {- }+ a$ Z卷积
. A6 N/ ]' i7 O
/ A" C; s5 w3 T# x4 g7 q, }6 i0 D这意味着将图像的每个元素（像素）与内核的每个像素相乘，然后将这些结果相加，以创建新的“图像”（特征图）。这正是Edge TPU的主要工作。将所有内容同时相乘，然后以疯狂的速度添加所有内容。这背后没有CPU，只要你将数据泵入左边的缓冲区就可以了。
: n9 p* h) I; s+ \( L& j4 H/ n我们看到Coral在性能/瓦特的对比中，差异如此大的原因，它是一堆电子设备，旨在完成所需的按位操作，基本上没有任何开销。
总结 为什么GPU没有8位模型？
, E, E1 L- Q: X+ i& {GPU本质上被设计为细粒度并行浮点计算器。而Edge TPU设计用于执行8位操作，并且CPU具有比完全位宽浮点数更快的8位内容更快的方法，因为它们在很多情况下必须处理这个问题。
$ G* N6 z7 Y, M( |4 A为何选择MobileNetV2？
主要原因是，MobileNetV2是谷歌为Edge TPU提供的预编译模型之一。
Edge TPU还有哪些其他产品？
它曾经是不同版本的MobileNet和Inception，截至上周末，谷歌推出了一个更新，允许我们编译自定义TensorFlow Lite模型。但仅限于TensorFlow Lite模型。而反观Jetson Nano就没有这方面的限制。
Raspberry Pi + Coral与其他人相比
4 i) C+ @+ O- x9 O4 H* }为什么连接到Raspberry Pi时Coral看起来要慢得多？因为Raspberry Pi只有USB 2.0端口。
$ g: h4 k3 G8 Qi7-7700K在Coral和Jetson Nano上的速度都会更快一些，但仍然无法和后两者比肩。因此推测瓶颈是数据速率，不是Edge TPU。

# f# ]/ c7 e4 N) Y( e7 \
【加入社群】


6 Q, ^& U, P3 r$ z* O来源：http://www.yidianzixun.com/article/0Lt3VMHK
  D7 u9 b* A8 v7 J) C+ E6 x- S( @免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！