实质上，该软件桥接了现有神经网络框架（例如 TensorFlow 或 Caffe）与在嵌入式 Linux 平台上运行的底层处理硬件（例如 CPU、GPU 或新型 Arm 机器学习处理器）。这样，开发人员能够继续使用他们首选的框架和工具，经 Arm NN 无缝转换结果后可在底层平台上运行。

机器学习需要一个训练阶段，也就是学习阶段（“这些是猫的图片”），另外还需要一个推理阶段，也就是应用所学的内容（“这是猫的图片吗？”）。训练目前通常在服务器或类似设备上发生，而推理则更多地转移到网络边缘，这正是新版本 Arm NN 的重点所在。

对象识别是在嵌入式平台上运行的众多机器学习工作负载之一

机器学习工作负载的特点是计算量大、需要大量存储器带宽，这正是移动设备和嵌入式设备面临的最大挑战之一。随着运行机器学习的需求日益增长，对这些工作负载进行分区变得越来越重要，以便充分利用可用计算资源。软件开发人员面临的可能是很多不同的平台，这就带来一个现实问题：CPU 通常包含多个内核（在 Arm DynamIQ big.LITTLE中，甚至还有多种内核类型），还要考虑 GPU，以及许多其他类型的专用处理器，包括 Arm 机器学习处理器，这些都是整体解决方案的一部分。

Arm NN 这时就能派上用场。下图中可以看出，Arm NN 扮演了枢纽角色，既隐藏了底层硬件平台的复杂性，同时让开发人员能够继续使用他们的首选神经网络框架。

Arm NN SDK 概览（首次发布版本）

您可能已经注意到，Arm NN 的一个关键要求是 Compute Library，它包含一系列低级别机器学习和计算机视觉函数，面向 Arm Cortex-A CPU 和 Arm Mali GPU。我们的目标是让这个库汇集针对这些函数的一流优化，近期的优化已经展示了显著的性能提升——比同等 OpenCV 函数提高了 15 倍甚至更多。如果您是Cortex-M CPU 的用户，现在还有一个机器学习原语库，也就是近期发布的 CMSIS-NN。

有了 Arm NN，开发人员可以即时获得一些关键优势：

• 更轻松地在嵌入式系统上运行 TensorFlow 和 Caffe

• Compute Library 内部的一流优化函数，让用户轻松发挥底层平台的强大性能

• 无论面向何种内核类型，编程模式都是相同的

• 现有软件能够自动利用新硬件特性

与 Compute Library 相同，Arm NN 也是作为开源软件发布的，这意味着它能够相对简单地进行扩展，从而适应 Arm 合作伙伴的其他内核类型。

在2017年五月举行的 Google I/O 年会上，Google 发布了针对 Android 的 TensorFlow Lite，预示着主要新型 API 开始支持在基于 Arm 的 Android 平台上部署神经网络。表面上，这与 Android 下的 Arm NN SDK 解决方案非常相似。使用 NNAPI 时，机器学习工作负载默认在 CPU 上运行，但硬件抽象层 (HAL) 机制也支持在其他类型的处理器或加速器上运行这些工作负载。Google 发布以上消息的同时，我们的 Arm NN 计划也进展顺利，这是为使用 Arm NN 的 Mali GPU 提供 HAL。今年晚些时候，我们还将为 Arm 机器学习处理器提供硬件抽象层。

Arm 对 Google NNAPI 的支持概览

CMSIS-NN 是一系列高效神经网络内核的集合，其开发目的是最大程度地提升神经网络的性能，减少神经网络在面向智能物联网边缘设备的 Arm Cortex-M 处理器内核上的内存占用。我们开发这个库的目的是全力提升这些资源受限的 Cortex CPU 上的神经网络推理性能。借助基于 CMSIS-NN 内核的神经网络推理，运行时/吞吐量和能效可提升大约 5 倍，想了解更多请查看 ☞ 想让你的微控制器效率提升5倍吗？

这只是 Arm NN 的第一步：我们还计划添加其他高级神经网络作为输入，对 Arm NN 调试程序执行进一步的图形级别优化，覆盖其他类型的处理器或加速器……请密切关注今年的发展！