Kneron 创始人兼 CEO 刘峻诚表示：“Kneron 推出为终端装置所设计的人工智能处理器 NPU IP后，其超低功耗的优势受到市场高度关注。Kneron 新一代 NPU 产品在诸多方面取得显着的突破，基于第一代产品的优势，我们改善数据运算流程、提升整体运算效能与储存资源使用率，同时针对不同的神经网络模型进行优化，让 NPU 可以更广泛地应用在各种终端装置，并满足更复杂的运算需求。”
Kneron NPU IP 可应用在智能手机、智能家居、智能安防、以及各种物联网设备上，让终端装置在离线环境下就能运行各种神经网络。Kneron 第二代 NPU IP 采用新的交错式运算架构 (Interleaving computation architecture) 设计，缩短运算流程和提升效率。深度压缩 (Deep compression) 技术让压缩功能从模型层级深入至数据和参数层级，使压缩率再提升。动态储存资源分配功能提升储存资源利用率，却不影响运算效能。此外，支持更广泛的卷积神经网络 (Convolutional Neural Networks, CNN) 模型，并针对各种 CNN 模型分别进行优化，在不同神经网络模型下，可提升约1.5倍至3倍不等的效能。
第二代 NPU IP-KDP Series 重点技术说明：
交错式运算架构设计：透过交错式架构，让神经网络架构中主要的卷积 (convolution) 与池化 (pooling) 运算可平行进行，以提升整体运算效率。在新的卷积层中，还可同时支持 8bits 与 16bits 的定点运算 (fixed point)，让运算更有弹性。
深度压缩技术：不仅能执行模型压缩，还能对运行中的数据和参数 (coefficient) 进行压缩，减少内存使用。模型大小可压缩至50分之一以下，准确度的影响率小于1%。
动态储存资源分配：让共享内存 (shared memory) 和运作内存 (operating memory) 之间可以进行更有效的资源分配，提升储存资源利用率的同时却不影响运算效能。
CNN模型支持优化：支持更广泛的 CNN 模型，包括 Vgg16、Resnet、GoogleNet、YOLO、Tiny YOLO、Lenet、MobileNet、Densenet 等，而且针对不同 CNN 模型分别进行优化，在不同神经网络模型下，相较上一代产品提升约1.5倍至3倍效能。
注一：运算效能会因纳米制程不同而异。5.8 TOPS 为 KDP720 在 28 纳米制程、600 MHz、8bit fixed points 下的效能表现，预测运行功耗在 300-500mW（估计每瓦效能为13.17 TOPS/W）。
关键词：智能处理器
-电子元器件采购网（www.ruidan.com）是本土元器件目录分销商，采用“小批量、现货、样品”销售模式，致力于满足客户多型号、高质量、快速交付的采购需求。 自建高效智能仓储，拥有自营库存超过50,000种，提供一站式正品现货采购、个性化解决方案、选型替代等多元化服务。
