近日，东芝推出的深度神经网络（DNN）加速器克服了上述问题，而且该加速器在硬件中实现了深度学习，具备以下3个特点：

1、  平行乘积累加（MAC）组件。深度神经网络（DNN）处理需要很多乘积累加计算，东芝的新设备具有4个处理器，每个都有256个乘积累加组件，从而提升了深度神经网络（DNN）的处理速度。

2、  减少对动态随机存取存储器（DRAM）的访问。传统的片上系统没有本地存储器来保存深度神经网络执行组件附近的暂态数据，而且处理本地存储器会消耗很多功率。使用乘积累加（MAC）计算加载权重数据也要消耗功率。而在东芝的新设备中，深度神经网络（DNN）执行组件东芝变频器附近执行的是静态随机存取存储器（SRAM），深度神经网络（DNN）处理分成了子处理块，以将暂态数据存储于静态随机存取存储器（SRAM）中，减少对动态随机存取存储器（DRAM）的访问。此外，东芝还为加速器增加了一个解压装置，提前将权重数据压缩、存储在动态随机存取存储器中，再通过解压装置上传权重数据，可减少从动态随机存取存储器（DRAM）中上传权重数据所带来的功率消耗。

3、  减少对静态随机存取存储器（SRAM）的访问。传统的深度学习需要在处理完深度神经网络的每一层之后再访问静态随机存取存储器，此过程会消耗大量功率。东芝推出的加速器具有流水线式结构，位于深度神经网络的深度神经网络执行组件中，完成一系列的深度神经网络计算只需访问一次静态随机存取存储器（SRAM）。

 

自动紧急制动等高级驾驶辅助系统提供越来越先进的能力，而且实现此类系统需要图像识别片上系统，此类片上系统需要能够在低功耗的情况下高速识别道路交通标志以及道路状况。

 

深度神经网络（DNN）是一种以大脑神经网络为模型的算法，与传统的模式识别和机器学习相比，能够更**地进行识别处理，而且人们普遍认为其适用于汽车应用。但是，使用传东芝传动统处理器、基于深度神经网络的图像识别依赖大量的乘积累加（MAC）计算，因而需要大量处理时间，而且也需要消耗更多功率。

 

                                                                                                                                                     摘自网络