CDNN2 支持從預訓練網絡至嵌入式系統的最嚴苛機器學習網絡，包括GoogLeNet、 VGG、SegNet、Alexnet、ResNet等等

　　CDNN2成為業界首個用于嵌入式系統的軟件框架，自動支持TensorFlow?生成的網絡

　　CDNN2結合CEVA-XM4圖像和視覺處理器，為任何帶有camera功能的設備提供高能效深度學習解決方案

　　專注于智能互聯設備的全球領先信號處理IP授權許可廠商CEVA公司發布用于機器學習的第二代神經網絡軟件框架CDNN2(CEVA深度神經網絡)。

　　CDNN2在相機設備上實現本地化的基于深度學習的實時視頻分析，與在云端進行的同類分析相比，顯著減少了數據帶寬、存儲需求和延遲，并加強了隱私保護。CDNN2結合CEVA-XM4智能視覺處理器，在用于智能手機、先進駕駛輔助系統(ADAS)、監控設備、無人機、機器人和其它具有相機功能的智能設備上的嵌入式系統中實施機器學習，顯著縮短了上市時間并具有低功耗優勢。

　　CDNN2在CEVA第一代神經網絡軟件框架(CDNN)成功的基礎上構建，后者已經被多家客戶和合作伙伴采用。CDNN2增添了谷歌機器學習軟件庫TensorFlow的支持，并且為極其復雜的最新網絡拓撲和層級提供更好的功能和性能，還支持全卷積網絡，從而允許任何給定的網絡使用任何分辨率作為輸入。

　　谷歌TensorFlow移動/嵌入式團隊領導Pete Warden評論道：“很高興看到CEVA支持TensorFlow應用。功耗是在嵌入式設備中成功使得深度學習發揮潛力的關鍵，CEVA低功耗視覺處理器和CDNN2框架能夠幫助各種各樣的開發人員在其設備中使用TensorFlow。”

　　CDNN2使用一組增強API，可以提升總體系統性能，包括從CPU直接卸載各種神經網絡相關任務至CEVA-XM4，這些增強功能結合“按鈕”，可自動將預訓練網絡轉化到CEVA-XM4上無縫運行，增強的CDNN2為開發嵌入式視覺系統提供了顯著的上市速度和功率優勢。CDNN2生成基于CEVA-XM4圖像和視覺DSP的更快速網絡模型，與基于CPU和GPU系統相比，顯著降低了對功耗和存儲帶寬的需求。要觀看CDNN2 的demo，點擊這里。

　　嵌入式視覺聯盟(Embedded Vision Alliance)創始人Jeff Bier評論道：“今天，從汽車至無人機和家用電器在內許多類型系統的設計人員正在其產品中加入嵌入式視覺以提升安全性、自主性和功能性。我熱烈歡迎CEVA使用深度學習神經網絡推動實施低成本、低功耗的智能視覺部署。”

　　CEVA營銷副總裁Eran Briman評論道：“我們在第二代深度學習神經網絡框架中實現的提升，是我們與CEVA-XM4客戶和合作伙伴累積豐富現場工作經驗所取得的成果。他們正在使用CDNN開發和部署深度學習系統，用于包括無人機、ADAS和監控的廣泛終端市場。特別地是支持TensorFlow生成網絡是一項關鍵的增強特性，確保我們的客戶能夠在下一代AI設備中充分利用谷歌功能強大的深度學習系統。”

　　CDNN2旨在用于目標識別、先進駕駛輔助系統、人工智能、視頻分析、增強現實(AR)、虛擬現實(VR)和類似的計算機視覺應用。CDNN2軟件庫作為源代碼提供，擴展了CEVA-XM4現有的應用開發套件(ADK)和計算機視覺庫CEVA-CV，它具有靈活性和模塊性，能夠在廣泛的網絡應用那個支持任一完整的CNN實施方案或特定層。這些網絡包括AlexNet、 GoogLeNet、ResidualNet (ResNet)、SegNet、VGG (VGG-19、VGG-16、VGG_S)和 Network-in-network (NIN)等。CDNN2支持最先進的神經網絡層，包括卷積、去卷積、池化、全連接、softmax、concatenation和上采樣(upsample)，以及各種初始模型。它支持全部網絡拓撲，包括Multiple-Input-Multiple-Output、每級多層、全卷積網絡，以及線性網絡(比如Alexnet)。

　　CDNN2框架的主要組件是離線CEVA網絡生成器，只要按下按鈕便可將預訓練的神經網絡轉化為嵌入式友好的定點網絡。CDNN2解決方案包含基于硬件的開發套件，可讓開發人員不僅在仿真中運行網絡，還可簡便地在CEVA開發板上實時運行網絡。

　　如要了解更多有關CDNN2的信息，請訪問公司網站http://launch.ceva-dsp.com/CDNN2。