位置:编程技术网 > 人工智能 > 正文 >

Python 生产力价值:赛灵思 Zynq 产品组合 的前沿优势分析

2019年05月27日 14:31来源:未知手机版

闪婚下载

嵌入式计算的新范例

本文引用地址:http://www.eepw.com.cn/article/201905/400878.htm

近期的 IEEE 调查报告称 2017 年最流行的两种编程语言分别是 Python 和 C 语言。在嵌入式计算领域,C 语言一直以来都是中坚力量。传统上来说,我们一直将 Python 语言用于网络或台式机计算,而从未用作嵌入式计算语言;

但是这种情况正在发生改变。

Python 及其相关框架能支持用于数据分析、机器学习(ML)和人工智能(AI)应用的复杂算法的开发。当然,这些应用属于嵌入式计算领域的热点话题,而且它们正在促使 Python 得到采用,特别是在边缘工业物联网 (IIoT) 领域的普及。

C、C++ 和 Python 紧密相连,因为 Python 本身也依赖 C 和 C++ 用来提供最核心的库。但是,C 和 C++ 属于编译型语言,能够在裸机上执行。Python 在这点上则与之不同,是一种解释型语言。这种差异在嵌入式计算中为自身带来了挑战:例如,Python 需要操作系统(一般是 Linux),另外还需要易失性和非易失性存储器资源。

在工业物联网边缘嵌入式计算领域,ML 和 AI 的实现日趋倾向于发挥数字孪生体 (1) 与物理致动器的功用。因此,解决方案必须能够实时以低确定性时延做出响应。此外,工业物联网解决方案也必须能够支持其他行业趋势,例如:

·根据待解决问题在实时处理器、应用处理器和专用处理单元间进行分区

·为专用处理器卸载引擎创建接口,从而为性能关键内核提速

·使用 Linux 等标准操作系统

·提供具备调度功能和确定性的解决方案

·为原型设计和生产提供高生产力框架

·覆盖标准和传统网络通信接口与协议,包括 IT、OT 融合网络。

·为机器学习和分析提供丰富的库

·功能安全性

·网络安全

构建工业物联网平台绝非易事。从物理环境的边缘到云(包括 AI 和 ML)的整个链条是复杂的,并需要多种专业能力。因此,开发工业物联网就要求使用更高水平的抽象,而这种抽象水平又要与项目涉及的不同工作职能相关联,才能让开发在可接受的时间预算和成本预算内完成。参见图 1。

图 1:同一平台的不同抽象水平

在工业物联网中探索机器学习

工业物联网解决方案越来越多地在边缘纳入嵌入式智能。对于众多应用而言,这意味着机器学习推断的实现。实现后,ML 算法会利用其经验,根据一套输入数据得出结论。在 ML 中,经验可通过名为培训的学习过程来获得。ML 应用的培训可使用下列两种方法之一执行:(1) 人工监督或 (2) 实现判断功能。两种方法都需要将由正反例构成的大数据集应用于 ML 网络。在 ML 算法得到充分培训后,就能将其部署在工业物联网边缘,根据新输入和未知输入进行推断。

工业物联网解决方案应用从 ML 的使用中获益匪浅,尤其是对于那些传统方法不能提供可接受的性能的应用或者需要大量人工干预的应用,例如再校准、维护、诊断和故障安全保护操作。这些应用具体包括:

·传感器与测量系统

·系统识别

·机器学习系统控制

·高级信号处理

·自主系统的强化学习

·图像处理

因此,开发 ML 解决方案需要具备有足够通用性的平台和生态系统,才能支持完整的开发模型,而不仅仅支持解决方案的独立单元。

赛灵思 Zynq-7000 SoC 包含用来为现代 SoC 提供不成文标准特性的双核 Arm? Cortex?-A9 处理器系统 (PS) 和可编程逻辑 (PL),同时它还提供独特的高度差异化灵活性,支持将关键任务卸载到 PL 。Zynq UltraScale+ MPSoC 和 Zynq UltraScale+ RFSoC 使用四核 Arm Cortex-A53 PS、PL 和其他特定部件型号的处理块进一步扩展这一模型。

本文地址:http://www.reviewcode.cn/rengongzhinen/49858.html 转载请注明出处!

今日热点资讯