CDNN2 支持从预训练网络至嵌入式系统的最严苛机器学习网络，包括GoogLeNet、 VGG、SegNet、Alexnet、ResNet等等

　　CDNN2成为业界首个用于嵌入式系统的软件框架，自动支持TensorFlow™生成的网络

　　CDNN2结合CEVA-XM4图像和视觉处理器，为任何带有camera功能的设备提供高能效深度学习解决方案

　　专注于智能互联设备的全球领先信号处理IP授权许可厂商CEVA公司发布用于机器学习的第二代神经网络软件框架CDNN2(CEVA深度神经网络)。

　　CDNN2在相机设备上实现本地化的基于深度学习的实时视频分析，与在云端进行的同类分析相比，显著减少了数据带宽、存储需求和延迟，并加强了隐私保护。CDNN2结合CEVA-XM4智能视觉处理器，在用于智能手机、先进驾驶辅助系统(ADAS)、监控设备、无人机、机器人和其它具有相机功能的智能设备上的嵌入式系统中实施机器学习，显著缩短了上市时间并具有低功耗优势。

　　CDNN2在CEVA第一代神经网络软件框架(CDNN)成功的基础上构建，后者已经被多家客户和合作伙伴采用。CDNN2增添了谷歌机器学习软件库TensorFlow的支持，并且为极其复杂的最新网络拓扑和层级提供更好的功能和性能，还支持全卷积网络，从而允许任何给定的网络使用任何分辨率作为输入。

　　谷歌TensorFlow移动/嵌入式团队领导Pete Warden评论道：“很高兴看到CEVA支持TensorFlow应用。功耗是在嵌入式设备中成功使得深度学习发挥潜力的关键，CEVA低功耗视觉处理器和CDNN2框架能够帮助各种各样的开发人员在其设备中使用TensorFlow。”

　　CDNN2使用一组增强API，可以提升总体系统性能，包括从CPU直接卸载各种神经网络相关任务至CEVA-XM4，这些增强功能结合“按钮”，可自动将预训练网络转化到CEVA-XM4上无缝运行，增强的CDNN2为开发嵌入式视觉系统提供了显著的上市速度和功率优势。CDNN2生成基于CEVA-XM4图像和视觉DSP的更快速网络模型，与基于CPU和GPU系统相比，显着降低了对功耗和存储带宽的需求。要观看CDNN2 的demo，点击这里。

　　嵌入式视觉联盟(Embedded Vision Alliance)创始人Jeff Bier评论道：“今天，从汽车至无人机和家用电器在内许多类型系统的设计人员正在其产品中加入嵌入式视觉以提升安全性、自主性和功能性。我热烈欢迎CEVA使用深度学习神经网络推动实施低成本、低功耗的智能视觉部署。”

　　CEVA营销副总裁Eran Briman评论道：“我们在第二代深度学习神经网络框架中实现的提升，是我们与CEVA-XM4客户和合作伙伴累积丰富现场工作经验所取得的成果。他们正在使用CDNN开发和部署深度学习系统，用于包括无人机、ADAS和监控的广泛终端市场。特别地是支持TensorFlow生成网络是一项关键的增强特性，确保我们的客户能够在下一代AI设备中充分利用谷歌功能强大的深度学习系统。”

　　CDNN2旨在用于目标识别、先进驾驶辅助系统、人工智能、视频分析、增强现实(AR)、虚拟现实(VR)和类似的计算机视觉应用。CDNN2软件库作为源代码提供，扩展了CEVA-XM4现有的应用开发套件(ADK)和计算机视觉库CEVA-CV，它具有灵活性和模块性，能够在广泛的网络应用那个支持任一完整的CNN实施方案或特定层。这些网络包括AlexNet、 GoogLeNet、ResidualNet (ResNet)、SegNet、VGG (VGG-19、VGG-16、VGG_S)和 Network-in-network (NIN)等。CDNN2支持最先进的神经网络层，包括卷积、去卷积、池化、全连接、softmax、concatenation和上采样(upsample)，以及各种初始模型。它支持全部网络拓扑，包括Multiple-Input-Multiple-Output、每级多层、全卷积网络，以及线性网络(比如Alexnet)。

　　CDNN2框架的主要组件是离线CEVA网络生成器，只要按下按钮便可将预训练的神经网络转化为嵌入式友好的定点网络。CDNN2解决方案包含基于硬件的开发套件，可让开发人员不仅在仿真中运行网络，还可简便地在CEVA开发板上实时运行网络。

　　如要了解更多有关CDNN2的信息，请访问公司网站http://launch.ceva-dsp.com/CDNN2。