MBI6662 is a high efficiency, constant current and step-down DC/DC converter. It
is designed to deliver constant current to light up high power LEDs. With the adaptive hysteretic PFM control scheme, MBI6662 can achieve constant frequency operation under common anode connection. The output current of MBI6662 can be set by an external resistor, and LED brightness can be controlled via a pulse width modulation (PWM) signal through DIM pin. In addition, the soft-start function limits the inrush current while the power is turned on. MBI6662 also features under voltage lock out (UVLO), over temperature protection (OTP), and over current protection (OCP) to ensure system robustness and prevent IC and LEDs from being damaged once any abnormal condition occurs. To ensure system reliability, MBI6662 is equipped with thermal shutdown protection (TSD), which protects IC from overheating by turning off the internal MOSFET. MBI6662 is available in thermal-enhanced DFN-10 and SOP-10 package to handle power dissipation more efficiently.
特點：
Maximum 2A constant output current
>95% efficiency @ input voltage 36V, load condition: 2A, 10 LEDs
4.5V~60V wide input voltage range
Common anode connection
Adaptive hysteretic PFM with adjustable fixed frequency operation
Tunable output current
Integrated power switch with 0.2Ω on-resistance
Full protections: UVLO/OCP/ Thermal/ LED Open-/ LED Short- Circuited
應用：
Stage Lighting
High Power LED Wall-Washer
Automotive LED Lighting
Parallel Lighting Fixtures Connected by Common-Anode Scheme
目前，在許多需要在本地進行數據分析的“永遠在線”的物聯網邊緣設備中，神經網絡正在變得越來越普及，主要是因為可以有效地同時減少數據傳輸導致的延時和功耗。而談到針對物聯網邊緣設備上的神經網絡，我們自然會想到Arm Cortex-M系列處理器內核，那么如果您想要強化它的性能并且減少內存消耗，CMSIS-NN就是您最好的選擇。基于CMSIS-NN內核的神經網絡推理運算，對于運行時間/吞吐量將會有4.6X的提升，而對于能效將有4.9X的提升。
CMSIS-NN庫包含兩個部分：NNFunction和NNSupportFunctions。NNFunction包含實現通常神經網絡層類型的函數，比如卷積(convolution)，深度可分離卷積(depthwise separable convolution)，全連接(即內積inner-product),池化(pooling)和激活(activation)這些函數被應用程序代碼用來實現神經網絡推理應用。內核API也保持簡單，因此可以輕松地重定向到任何機器學習框架。NNSupport函數包括不同的實用函數，如NNFunctions中使用的數據轉換和激活功能表。這些實用函數也可以被應用代碼用來構造更復雜的NN模塊，例如，長期短時記憶(LSTM)或門控循環單元(GRU)。
對于某些內核(例如全連接和卷積)，會使用到不同版本的內核函數。我們提供了一個基本的版本，可以為任何圖層參數“按原樣”通用。我們還部署了其他版本，包括進一步的優化技術，但會對輸入進行轉換或對層參數有一些限制。理想情況下，可以使用簡單的腳本來分析網絡拓撲，并自動確定要使用的相應函數。
我們在卷積神經網絡(CNN)上測試了CMSIS-NN內核，在CIFAR-10數據集上進行訓練，包括60,000個32x32彩色圖像，分為10個輸出類。網絡拓撲結構基于Caffe中提供的內置示例，具有三個卷積層和一個完全連接層。下表顯示了使用CMSIS-NN內核的層參數和詳細運行時結果。測試在運行頻率為216 MHz的ARM Cortex-M7內核STMichelectronics NUCLEO-F746ZG mbed開發板上進行。
整個圖像分類每張圖像大約需要99.1毫秒(相當于每秒10.1張圖像)。運行此網絡的CPU的計算吞吐量約為每秒249 MOps。預量化的網絡在CIFAR-10測試集上達到了80.3%的精度。在ARM Cortex-M7內核上運行的8位量化網絡達到了79.9%的精度。使用CMSIS-NN內核的最大內存占用空間為?133 KB，其中使用局部im2col來實現卷積以節省內存，然后進行矩陣乘法。沒有使用局部im2col的內存占用將是?332 KB，這樣的話神經網絡將無法在板上運行。
為了量化CMSIS-NN內核相對于現有解決方案的好處，我們還使用一維卷積函數(來自CMSIS-DSP的arm_conv)，類似Caffe的pooling和ReLU來實現了一個基準版本。對于CNN應用，下表總結了基準函數和CMSIS-NN內核的比較結果。 CMSIS-NN內核的運行時間/吞吐量比基準函數提高2.6至5.4倍。能效提高也與吞吐量的提高相一致。
高效的NN內核是充分發揮ARM Cortex-M CPU能力的關鍵。 CMSIS-NN提供了優化的函數來加速關鍵的NN層，如卷積，池化和激活。此外，非常關鍵的是CMSIS-NN還有助于減少對于內存有限的微控制器而言至關重要的內存占用。
公司:深圳市哲瀚電子科技有限公司
聯系人:陳小姐
手機:13714441972
電話:0755-82549527/83259945/13714441972
傳真:0755-83259945
地址:廣東省深圳市福田區中航路都會軒1213
