MAX78000為一款超低功耗卷積神經網路(CNN)推導引擎，能在物聯網的微型邊緣裝置上執行人工智慧(AI)運算。此款裝置的性能足以執行許多複雜網路以符合各種關鍵與熱門應用需求。本文將探討如何透過CNN推導引擎進行臉部辨識(FaceID)，運用的模型是以ADI在PyTorch上的開發流程進行建構，再運用多個開源資料集進行訓練，之後再部署於MAX78000評估機板。

各界研究臉部辨識系統已超過40年。近期機器學習的進展使得研究熱度大幅提升，浮現許多成功的方法。臉部辨識或辨識技術在當前的重要性更勝以往，因為此種技術已相當普遍，在擷取與分享臉部資訊方面也衍生出許多隱私問題。除了隱私問題外，這些應用的延遲與功耗對於許多行動或物聯網裝置而言也是重要的議題。

本篇應用指南探討在邊緣端運行臉部辨識，運用CNN推導引擎達成最低的延遲與最佳化的功耗。此種應用面臨的挑戰是設計出高效能的CNN架構，同時讓網路的係數數量維持在比DeepFace此類尖端深層臉部辨識網路少300倍的水準。

CNN非常實用，因為其能從輸入資料判斷位置，以及縮放各個獨立特徵點。卷積核的長度通常很小，大多為3 × 3、7 × 7等，因此提供極佳的記憶體效率。許多研究顯示其效能增益，以及能夠縮減模型，因此各界對這些網路的興趣逐漸升高。此類架構的缺點是較高的運算負荷，進而導致高能耗與延遲，本文便將運用MAX78000的獨特設計消弭上述顧慮。

本文將簡短介紹CNN推導引擎，並闡述開發出辨識臉部模型的方法，該模型小到足以放入晶片。接著介紹開發出模型的合成步驟，以及闡述評估套件的應用軟體。


詳細內文請參考網址...