针对qualcomm hexagon dsp进行优化的应用程序能够更快地运行，耗电更少。qualcomm目前正为google的机器学习架构tensorflow提供更多支持。目前tensorflow针对hexagon 682 dsp进行了专门优化，而这项技术集成于我们的顶级处理器骁龙835之中。tensorflow是google的机器学习软件库，并且是开源的，开发者可以免费使用tensorflow来创建模型，并在其手机和电脑应用程序或云服务中加入人工智能。开发者可采用多种方式充分利用骁龙835的异构核心，其中最佳方式是充分利用dsp。google已在多款产品中使用tensorflow机器学习功能，包括google photos和google cloud speech。tensorflow可在处理器内部的处理单元运行。骁龙处理器集成了cpu、gpu和dsp在内的许多其他技术。与cpu或gpu相比，我们的dsp架构在处理某些音频和视频功能时速度更快，耗电更少，因此有必要充分利用其潜力，深挖其优势。下图展示了针对dsp专门优化的应用程序具备的优势。

用于googlenet inception dnn(深度神经网络)的最佳功率和性能。选择核心来匹配用户体验。(实际性能可能有所差别)

qualcomm technologies与google密切合作之后，tensorflow将运行在dsp上，让应用程序运行得更快、更高效，而无需使整个系统都工作。qualcomm technologies还通过qualcomm 骁龙神经处理引擎sdk为tensorflow提供支持。这是一种异构软件框架，让oem厂商能够在cpu、gpu或dsp等核心上运行tensorflow模型，为预期的用户体验提供最佳性能和功率分布。我们做了一个测试，google创建了一个内置tensorflow的应用程序，并将其加载到两部完全相同的智能手机上。应用程序能够识别放在智能手机相机面前的实物。唯一的区别是，一部智能手机在cpu上运行应用程序，而另一个在hexagon dsp上运行。与在cpu上运行的应用程序相比，运行在dsp上的应用程序能够在既定时间内识别更多图像，更快地分析并做出结论，在识别物体时更为肯定。你会注意到下面三个衡量标准：

•fps——dsp捕捉更多图像(帧/秒)，从而增强应用程序的精确度。

•ms——dsp在识别物体时更快(较少毫秒)

•0-1——dsp在判断物体为何物时具有更高的确定性(0代表未知，1代表确定。)

（转载）

以上是网络信息转载，信息真实性自行斟酌。