A. 我現在用的是ARM CortexA9，每次跑程序耗時差別很大
先讓你的圖像處理進程用簡單的循環指令延時程序替代，再進行測試：
如果執行的時間都相同的話，那麼就是你的圖像處理方法自身引起的執行時間不一致。
如果也不同，那麼有可能是系統的消耗引起的，逐一停掉其他進程進行測試，檢查緩存，內存處理，甚至定時器（晶振的穩定性）等等，逐一排查。
B. 在armv8下編譯的時候使用了O3優化，相關計算就會自動使用neon嗎
對的。GCC可以通過自動向量化產生NEON指令
C. arm-linux編譯後程序太大 怎樣優化
gcc編譯能運行,見鬼了吧???把你的步驟亮出看看。一辦交叉編譯是沒有做好庫文件的處理
D. 仔細看看ARM的機器學習硬體 它具有怎樣的優勢
幾周前，ARM宣布推出第一批專用機器學習(ML)硬體。在「Project Trillium」項目中，該公司為智能手機等產品推出了專用的ML處理器，以及專門為加速對象檢測(OD)用例而設計的第二款晶元。讓我們更深入地研究下ProjectTrillium項目，以及該公司為不斷增長的機器學習硬體市場制定的更廣泛計劃。
值得注意的是，ARM的聲明完全與推理硬體有關。其ML和OD處理器被設計成能有效地在消費級硬體上運行經過訓練的機器學習任務，而不是在龐大的數據集上訓練演算法。首先，ARM將重點放在ML推理硬體兩大市場:智能手機和互聯網協議/監控攝像頭。
新的機器學習處理器
盡管Project Trillium發布了新的專用機器學習硬體公告，但ARM仍然致力於在其CPU和GPU上支持這些類型的任務，並在其Cortex-A75和A55內核中實現了優化的點積產品功能。Trillium通過更加優化的硬體增強了這些功能，使機器學習任務能夠以更高的性能和更低的功耗完成。但是ARM的ML處理器並不僅僅是一個加速器——它本身就是一個處理器。
該處理器在1.5W的功率范圍內擁有4.6 TOP/s的峰值吞吐量，使其適用於智能手機和更低功耗的產品。基於7納米的實施，這給晶元提供了3 TOP/W的功率效率，同時，這對於節能產品開發商來說是一個很大的吸引力。
有趣的是，ARM的ML處理器與高通(Qualcomm)、華為(Huawei)和聯發科技(MediaTek)採用一種不同的實現方式，所有這些處理器都重新設計了數字信號處理器（DSP），以幫助他們在高端處理器上運行機器學習任務。在MWC（全球行動通訊大會）的一次聊天中，ARM副總裁Jem Davies提到，收購DSP公司是進入這個硬體市場的一個選擇，但最終，該公司決定為最常見的操作進行專門優化的地面解決方案。
ARM的ML處理器專為8位整數運算和卷積神經網路(CNNs)設計。它專門用於小位元組大小數據的大量乘法，這使得它在這些類型的任務中比通用DSP更快，更高效。CNN被廣泛用於圖像識別，可能是目前最常見的ML任務。所有這些讀取和寫入外部存儲器通常會成為系統中的瓶頸，因此ARM也包含了一大塊內部存儲器以加速執行。這個內存池的大小是可變的，ARM希望根據用例為其合作夥伴提供一系列優化設計。
ARM的ML處理器專為8位整數運算和卷積神經網路而設計
ML處理器核心可以從單一核配置到16個核，以提高性能。每個組件包括優化的固定功能引擎和可編程層。這為開發人員提供了一定程度的靈活性，並確保處理器能夠隨著他們的發展而處理新的機器學習任務。該單元的控制由網路控制單元監控。
最後，處理器包含一個直接存儲器訪問(DMA)單元，以確保快速直接訪問系統其他部分的內存。ML處理器可以作為自己的獨立IP模塊，具有ACE-Lite介面，可以將其並入SoC，或者作為SoC之外的固定模塊運行，甚至可以與Armv8.2-A CPU(如Cortex-A75和A55)一起集成到DynamIQ集群中。集成到DynamIQ集群可能是一個非常強大的解決方案，可以為集群中的其他CPU或ML處理器提供低延遲數據訪問並有效地完成任務調度。
適合所有的一切
去年ARM推出了Cortex-A75和A55 CPU處理器，以及高端的Mali-G72 GPU，但直到一年後才推出專用機器學習硬體。但是，ARM確實在其最新的硬體設備中對加速通用機器學習操作進行了相當多的關注，而這仍然是該公司未來戰略的一部分。
其最新的主流設備Mali-G52圖形處理器將機器學習任務的性能提高了3.6倍，這要歸功於Dot產品（Int8）的支持和每個通道每個通道的四次乘法累加操作。Dot產品支持也出現在A75、A55和G72中。
即使有了新的OD和ML處理器，ARM仍在繼續支持其最新CPU和GPU的加速機器學習任務。其即將推出的專用機器學習硬體的存在，使這些任務在適當的時候更加高效，但它是一個廣泛的解決方案組合中的一部分，旨在滿足其廣泛的產品合作夥伴。
從單核到多核的CPU和GPU,再到可以擴展到16核的可選ML處理器（可在SoC核心集群內外使用），ARM可支持從簡單的智能揚聲器到自動車輛和數據中心，其需要更強大的硬體。當然，該公司也提供軟體來處理這種可擴展性。
該公司的Compute Library仍然是處理公司CPU、GPU和現在ML硬體組件的機器學習任務的工具。該庫為圖像處理、計算機視覺、語音識別等提供低級的軟體功能，所有這些功能都運行在最適用的硬體上。ARM甚至用其CMSIS-NN內核為Cortex-M微處理器支持嵌入式應用程序。與基線功能相比，CMSIS-NN提供高達5.4倍的吞吐量和5.2倍的能效。
硬體和軟體實現的這種廣泛的可能性需要一個靈活的軟體庫，這正是ARM的神經網路軟體的切入點。該公司並不打算取代像TensorFlow或Caffe這樣的流行框架，而是將這些框架轉換成與任何特定產品的硬體相關的庫。因此，如果您的手機沒有ARM ML處理器，則該庫仍將通過在CPU或GPU上運行任務來工作。隱藏在幕後的配置以簡化開發是它的目標。
今天的機器學習
目前, ARM正專注於為機器學習領域的推理提供支持，使消費者能夠在他們的設備上高效地運行復雜演算法（盡管該公司並未排除參與硬體進行機器學習訓練的可能性）。隨著高速5G網路時代的到來，人們對隱私和安全的關注越來越多，ARM決定在邊緣推動ML計算，而不是像谷歌那樣聚焦在雲上，這似乎是正確的選擇。
最重要的是，ARM的機器學習能力並不僅限於旗艦產品。通過支持各種硬體類型和可擴展性選項，價格階梯上下的智能手機可以受益，從低成本智能揚聲器到昂貴伺服器的各種產品都可以受益。甚至在ARM專用的ML硬體進入市場之前，利用它的Dot產品增強CPU和GPU的現代SoC，將會獲得性能和能效的改進。
今年，我們可能不會在任何智能手機上看到ARM專用的ML和對象檢測處理器，因為已經發布了大量SoC公告。相反，我們將不得不等到2019年，才能獲得一些受益於Trillium項目及其相關硬體的第一批手機。
E. c代碼優化，用arm匯編或者別的什麼方法來優化下面的代碼
剛開始學習STM32匯編，可能不是最簡形式；以下程序MDK編譯通過了；
;***********************************************
; ALPHA_FORMULA_1 ;參數傳遞S=R1,D=R2,A=R3
;***********************************************
ALPHA_FORMULA_1
PUSH {R0,R1,R3-R7,LR}
MUL.W R0,R1,R3
MOV.W R4,#0X1F
SUB.W R4,R3
MUL.W R4,R2
LSR.W R4,R4,#0X05
ADD.W R2,R0,R4
POP {R0,R1,R3-R7,PC}
;***********************************************
;alpha_blend_2 ;參數傳遞P1=R1,P2=R2,A=R3
;參數p2_t由R0傳出
;***********************************************
alpha_blend_2
PUSH {R1-R7,LR}
LDR.W R4,=0Xf81f07e0 ;R4=p1_t = (p1 & 0xf81f07e0);
AND.W R4,R1
LDR.W R5,=0X07e0f81f ;R5=p1 &= 0x07e0f81f
AND.W R5,R1
LDR.W R6,=0Xf81f07e0 ;R6=p2_t = (p2 & 0xf81f07e0);
AND.W R6,R2
LDR.W R7,=0X07e0f81f ;R7=p2 &= 0x07e0f81f;
AND.W R7,R2
ROR.W R4,R4,#16 ;LOOP_SHIFT_R(p1_t, 16); //p1_t 循環右移 16位;
ROR.W R6,R6,#16 ;LOOP_SHIFT_R(p2_t, 16); //p2_t 循環右移 16位;
MOV.W R1,R4 ;ALPHA_FORMULA_1(p1_t, p2_t, a); //公式套用
MOV.W R2,R6
BL.W ALPHA_FORMULA_1
MOV.W R6,R2
MOV.W R1,R5 ;ALPHA_FORMULA_1(p1, p2, a);
MOV.W R2,R7
BL.W ALPHA_FORMULA_1
MOV.W R7,R2
LDR.W R2,=0X07e0f81f ;R6=p2_t &= 0x07e0f81f; //
AND.W R6,R2
LDR.W R2,=0X07e0f81f ;R7=p2 &= 0x07e0f81f;
AND.W R7,R2
ROR.W R6,R6,#16 ;LOOP_SHIFT_R(p2_t, 16); //p2_t循環右移 16位;
ORR.W R7,R6 ;p2_t |= p2;
MOV.W R0,R6 ;return p2_t;
POP {R1-R7,PC}
;***********************************************
F. 如何優化C代碼ARMCC問題，怎麼解決
物流管理的目標之一就是實現最低庫存。最低庫存的目標是減少資產負擔和提高相關的周轉速度。存貨可用性的高周轉率意味著分布在存貨上的資金得到了有效的利用。因此，保持最低庫存就是要把存貨減少到與客戶服務目標相一致的最低水平。
國外的物流供應鏈一環扣一環，而我們是各管一攤，管供應的就只管供應，管銷售的只管銷售。而人家是從高端到終端一竿子捅到底，所有的環節都是電腦控制。目前我國物流欠缺的就是有效的供應鏈。國內分銷企業掌握的市場分銷額，實際上是一個大約數，真正銷出去了多少，批發商只是根據發出去的貨來統計，究竟零售商倉庫里壓著多少貨，是統計不出來的。優化庫存管理對物流來說迫在眉睫。筆者認為，打造供應鏈的夥伴關系可以大幅度地降低庫存，從而實現物流管理的目的。
合作夥伴關系把庫存管理提升高層次
全球製造和經濟一體化促使了企業間競爭的不斷加劇，並逐漸由同行業單個企業間的競爭演變為由一系列上下游合作夥伴企業構成的供應鏈之間的競爭。眾所周知，庫存管理在企業經營管理中處於重要地位，作為一種「擴展型」企業，庫存管理在其運作中更為重要，原因是庫存不僅影響著某一節點企業的成本，而且也制約著供應鏈的綜合成本、整體性能和競爭優勢。因此，這種演變使得企業不能以各自為政、局部最優的思想指導其庫存管理，而應該更多地從供應鏈企業夥伴關系的角度考慮其庫存管理戰略，從而推動了供應鏈庫存管理思想和方法的進化，最終提高了庫存管理的效益。
近年來的研究表明，合作夥伴關系對於提升供應鏈競爭力具有重要作用，合作夥伴關系被認為是供應鏈的關鍵要素之一。合作夥伴關系考慮如何選擇外部合作夥伴、如何同企業建立和管理夥伴關系，成功的合作夥伴關系促使合作各方積極關注夥伴的成功，並同他們一起努力提升整個供應鏈的競爭力。戰略夥伴關系通常能在長期內給供需雙方帶來收益。
合作夥伴關系對庫存管理也提出了相應的目標和要求。合作夥伴關系把庫存管理提升到整個供應鏈的層次，庫存管理不再單是供應商、生產商個人的管理活動，合作夥伴共同參與庫存的管理活動，他們對共同參與庫存管理活動提出了實施的目標構架。因此供應鏈上各方基於此構架上達成一致原則，在此基礎上進行供應鏈的庫存管理活動。理想的供應鏈庫存管理是一種基於合作夥伴關系基礎上的，強調信息共享、利益共享、風險分擔庫存管理實現模式。
將交易頻率作為選擇合作夥伴的重要標准
實踐中的合作夥伴關系是個發展的、動態的概念，它的不同程度對於供應鏈庫存管理也有不同的要求，從簡單的信息共享（如生產商幫助供應商提高需求計劃的准確性）到委託機制的決策（如供應商管理和擁有庫存），再到生產商使用為止都表現了供應鏈庫存管理在實踐中的不同思想和方法。
研究發現合作夥伴關系的發展程度主要受彼此在供應鏈合作中的地位影響，同樣供應鏈庫存管理也依次出現了不同的管理方式，快速響應(QR)、持續補貨策略（CRP）、高級的持續補貨策略（Advanced CRP）、供應商管理庫存（VMI）、聯合庫存管理（JMI）、合作計劃預測補給（CPFR）等庫存管理策略都是適應不同的合作夥伴關系。對於不同程度的合作夥伴關系應選擇不同的庫存管理模式，合作夥伴關系中供需雙方的相對地位的強弱決定了採用響應的供應鏈庫存管理策略。
目前我國企業在選擇合作夥伴時，主要的標準是產品質量，這與國際上重視質量的趨勢是一致的。然而，在交易量與交易頻率這兩個標準的使用上卻明顯存在偏激，許多企業都傾向於將單次高交易量的客戶作為合作夥伴的選擇對象，而忽略了那些低交易量、高交易頻率的客戶。交易量是指企業與客戶往來生意的金額大小；交易頻率是指供應商與客戶往來生意次數的多少，它們之間存在著本質的區別。從長遠來看，企業與客戶生意往來的頻繁程度，對於合作夥伴關系的建立具有深遠的影響。客戶通常依照交易次數的頻繁程度來看待一個供應商、分銷商。如果往來不甚頻繁，客戶很難跳出傳統交易關系的心理，也無法從不同的交易中尋找連結，因而他們很難從這些單獨的交易中發現合作夥伴關系的價值所在。因此，對於企業而言，選擇交易頻繁的客戶作為合作夥伴通常比選擇交易量大的客戶更容易成功，風險也更小。
G. 如何在arm上進行深度學習演算法開發
AlphaGo依靠精確的專家評估系統（value network）:專家系統是一個智能計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。
基於海量數據的深度神經網路（policy network）:多層的好處是可以用較少的參數表示復雜的函數。在監督學習中，以前的多層神經網路的問題是容易陷入局部極值點。如果訓練樣本足夠充分覆蓋未來的樣本，那麼學到的多層權重可以很好的用來預測新的測試樣本。但是很多任務難以得到足夠多的標記樣本，在這種情況下，簡單的模型，比如線性回歸或者決策樹往往能得到比多層神經網路更好的結果。非監督學習中，以往沒有有效的方法構造多層網路。多層神經網路的頂層是底層特徵的高級表示，比如底層是像素點，上一層的結點可能表示橫線，三角； 而頂層可能有一個結點表示人臉。
傳統的人工智慧方法蒙特卡洛樹搜索的組合:是一種人工智慧問題中做出最優決策的方法，一般是在組合博弈中的行動（move）規劃形式。它結合了隨機模擬的一般性和樹搜索的准確性。