CDNN2支援從預先訓練網路到嵌入式系統的要求最嚴苛機器學習網路，其中包括GoogLeNet、VGG、SegNet、Alexnet、RESNET及其他，針對嵌入式系統的網路軟體框架可自動支援由TensorFlow產生的網路。

CDNN2結合CEVA-XM4圖像和視覺處理器功能，可為任何具備相機功能的設備提供高能效的深度學習解決方案。

針對先進智慧互聯設備的全球訊號處理IP授權許可廠商CEVA公司推出針對機器學習的第二代神經網路軟體框架CEVA深度神經網路（CDNN2）。

CDNN2可在相機功能裝置上即時實現建基於深度學習的視訊分析。跟透過雲端系統執行這類分析的方式相比，它可顯著減少資料頻寬和儲存量，同時可減少延遲並提升私密性。再加上有了CEVA-XM4智慧視覺處理器，CDNN2可為實現嵌入式系統機器學習應用的裝置提供優異的產品上市時間和功率，包括智慧手機、高級駕駛輔助系統(ADAS)、監控設備、無人機、機器人以及其他具有相機功能的智慧裝置。

CDNN2建基於CEVA第一代深度神經網路軟體架構（CDNN），後者已經用於多家客戶和合作夥伴的設計。CDNN2增添了對TensorFlow的支援，TensorFlow是Google公司提供的軟體庫，用於機器學習（machine learning），並可為最複雜或最新的網路拓撲及網路層提供增強的功能和性能。CDNN2同時支援完全的卷積神經網路（convolutional network），因此不管是任何輸入像素都可以在給定的網路上處理。

Google公司的TensorFlow行動與嵌入式團隊負責人Pete Warden表示：「我們很高興看到CEVA開始採用TensorFlow。能效是嵌入式裝置能否成功啟動深度學習潛力的關鍵。CEVA的低功率視覺處理器和CDNN2軟體框架可協助各式各樣的開發人員在產品上採用TensorFlow。」

CDNN2採用了一組增強的API以提升整體系統的性能，其中包括把各種神經網路相關任務從CPU直接卸載到CEVA-XM4。這些增強的功能，加上可自動轉換預先訓練網路、並無縫地自動連接到CEVA-XM4上執行的按鍵式（push-button）式功能，確保CDNN2為開發中的嵌入式視覺系統提供顯著的上市時間和功率優勢。跟建基於CPU或GPU的系統相比，CDNN2充分利用CEVA-XM4圖像和視覺DSP處理能力，因而可顯著減少功耗和記憶體頻寬，而且實現速度更快的網路模型。

嵌入式視覺聯盟的創始人Jeff Bier評論表示：「從汽車、無人機到家用電器等，今日有許多類型的系統設計人員都在產品中採用嵌入式視覺解決方案，以提高安全性、自主性和功能性。我非常贊同CEVA公司主張以深度神經網路來達成低成本、低功耗的視覺智慧實現。」

CEVA市場營銷及企業發展副總裁Eran Briman評論道：「我們能提升第二代深度神經網路框架的性能，是來自與CEVA-XM4客戶及夥伴們累積了豐富合作經驗的成果。他們正利用CDNN為廣大的終端市場開發並配置深度學習系統，其中包括無人機、ADAS和監測系統。特別是，支援由TensorFlow產生的網路是一個重要的增強功能，確保我們的客戶能在下一代的人工智慧產品上利用Google強大的深度學習系統。」

CDNN2主要用於目標物辨識、ADAS、人工智慧、視訊分析、擴增實境（AR）、虛擬實境（VR）和類似的電腦視覺應用。CDNN2軟體架構將以原始程式碼的形式提供，從而擴展了CEVA-XM4現有的應用開發人員套件（ADK）以及影像處理函式庫CEVA-CV。它靈活性高並採用模組化設計，能夠支援完整的CNN實施方案或寬頻網路特定層。這些網路包括Alexnet、GoogLeNet、ResidualNet(ResNet)、SegNet、VGG（VGG-19, VGG-16, VGG_S）和NIN網路（Network-in-network）等等。CDNN2可支援最先進的神經網路層，包括卷積層、反卷積層、池化層（pooling）、全連接層、softmax層、序連層（concatenation）和升頻層（upsample），此外也支援各式各樣的生成模型（inception model）。它支援所有的網路拓撲性質，包括多輸入多輸出（MOMI）、單級多層結構、完全卷積神經網路，還有線性網路（例如Alexnet）。

CDNN2框架下的一個關鍵元件是離線CEVA網路產生器(CEVA Network Generator)，它以一鍵式按鈕操作，可透過定點運算將預先訓練神經網路轉換成即時情況下使用，並可輕易嵌入的網路模型。CDNN2的成果包括建基於硬體的開發套件，讓開發人員不僅可以模擬執行他們的網路模型，還能夠即時在CEVA提供的開發板上輕鬆執行。（編輯部陳復霞整理）