F2 · Embedded & Security
Using Arm Tools to Enable Machine Learning On-Device (2018)
導讀
在實體矽晶就緒前，如何提早評估邊緣 ML 模型的運算特徵？本文以 MNIST CNN 為例，在 Cortex-A55 FVP 上結合 DS-5／Streamline 與 SystemC／TLM 加速器模型，由指令數、記憶體存取與軟硬體分工剖析模型行為。數據源於虛擬平台模擬，非實體晶片效能基準。
驗證範圍
- 分析結果來自 Cortex-A55 FVP、MNIST CNN 與 SystemC／TLM accelerator model，用於觀察指令、記憶體行為及架構假設，不是 physical silicon benchmark。
- 模型與 accelerator behavior 依賴模擬參數；實體硬體的 timing、power、memory-system effects、driver integration 與 production inference performance 仍需另行驗證。