docs/source/changelog.rst

   1 #########
   2 Changelog
   3 #########
   4
   5 1.5.1 [Processor Linux SDK 6.3]
   6 ===============================
   7 **Changed**
   8
   9 #. Cleaned up subgraph cfg file entries.  Added TIDL_SUBGRAPH_DIR and
  10    TIDL_SUBGRAPH_NUM_EVES env var.
  11
  12 1.4.0 [Processor Linux SDK 6.2]
  13 ===============================
  14 **Added**
  15
  16 #. Subgraph execution support.
  17
  18 1.3.3 [Processor Linux SDK 6.1]
  19 ===============================
  20 **Added**
  21
  22 #. Added imagenet python example.
  23
  24 #. Added MobileNet v2 support.
  25
  26 #. Added environment variables to control pre-allocated network memory sizes.
  27    TIDL_{PARAM,NETWORK}_HEAP_SIZE_{DSP,EVE}
  28
  29 **Changed**
  30
  31 #. Trace data now also include dataQ/minValue/maxValue info.
  32
  33 #. ssd_multibox example now can also run the whole netework on a single core.
  34
  35 #. Shipped network binaries are in new file format, of size 484384 bytes.
  36
  37 1.3.0 [Processor Linux SDK 5.3]
  38 ===============================
  39 **Added**
  40
  41 #. Added DSP support for MNIST example.
  42
  43 **Changed**
  44
  45 #. PSDK 5.3 and TIDL-API 1.3 use a slightly modified TIDL network binary
  46    format to support ONNX network import.  TIDL-API 1.3, as well as
  47    tidl-viewer utility, can read both network formats before and after the
  48    change.  Network binary in TIDL-API 1.2 and earlier is of size 483364
  49    bytes, network binary in TIDL-API 1.3 is of size 484384 bytes.
  50
  51 #. Improved performance of concat layer on C66x DSP.
  52
  53 1.2.2 [Processor Linux SDK 5.2]
  54 ===============================
  55 **Added**
  56
  57 #. Updated API implementation to minimize TIDL API/OpenCL dispatch overhead using multiple execution contexts in the :term:`ExecutionObject`.
  58    Refer to :ref:`mnist-example` example for details.
  59
  60 #. Execution Graph generation
  61
  62     Enable a two phase approach to generating execution graphs. Use the
  63     following API function to enable timestamp generation:
  64
  65     .. code:: cpp
  66
  67         bool EnableTimeStamps(const std::string& file = "timestamp.log", size_t num_frames=32);
  68
  69     The generated log file can be viewed by using the execution_graph.py script. Refer to :ref:`execution-graph` for details.
  70
  71 #. Added Python 3 bindings for TIDL API. See the ``examples/pybind`` directory for examples of using the Python bindings. Set PYTHONPATH to the location of ``tidl.so``.
  72
  73    .. code:: bash
  74
  75         root@am57xx-evm:~# export PYTHONPATH=/home/root/tidl-api/tidl_api
  76         root@am57xx-evm:~# python3
  77         >>> import tidl
  78         >>> help (tidl)
  79
  80 **Removed**
  81
  82 #. Configuration::enableInternalInput. Not used by the API.
  83
  84 #. Execution::GetExecutionObjects().
  85
  86    Use Execution::operator[] and Execution::GetNumExecutionObjects() instead.
  87    See :ref:`examples` for usage.
  88
  89 #. The timing methods for host execution in EOPs and EOs:
  90
  91    * GetProcessTimeInMilliSeconds()
  92    * GetHostProcessTimeInMilliSeconds()
  93
  94    These methods were replaced by a timestamp based approach because they were
  95    no longer accurate with multiple ExecutionObject contexts and pipelining.
  96    Refer to :ref:`execution-graph` for details.
  97
  98 1.1.0 [Processor Linux SDK 5.1]
  99 ===============================
 100 **Added**
 101
 102 #. :term:`ExecutionObjectPipeline` class to hide complexity of executing network across C66x/EVE
 103 #. API methods for tracing outputs from intermediate network layers - see :ref:`network_layer_output`.
 104 #. Support for updating layer group id assignment before execution - see :ref:`layer-group-override`.
 105 #. Provide feedback to the user on parameter and network heap size requirements - see :ref:`sizing_device_heaps`.
 106
 107
 108 1.0.0 [Processor Linux SDK 5.0]
 109 ===============================
 110 First release of the TI Deep Learning API. TIDL API brings deep learning to the edge by enabling applications to leverage TI's proprietary, highly optimized CNN/DNN implementation on the EVE and C66x DSP compute engines. TIDL will initially target Vision/2D use cases.
 111
 112 **Supported AM57x Sitara Processors**
 113
 114  * `AM5749`_ (offload to EVEs and C66x DSPs)
 115  * `AM571x`_ (offload to C66x DSPs)
 116  * `AM5728`_ (offload to C66x DSPs)
 117  * `AM5748`_ (offload to C66x DSPs)
 118
 119 **Supported Evaluation Modules (EVMs)**
 120
 121  * `AM574x IDK EVM`_
 122  * `AM572x EVM`_
 123  * `AM571x IDK EVM`_
 124
 125
 126 .. _AM572x EVM:  http://www.ti.com/tool/tmdsevm572x
 127 .. _AM571x IDK EVM:  http://www.ti.com/tool/tmdxidk5718
 128 .. _AM574x IDK EVM:  http://www.ti.com/tool/tmdsidk574
 129 .. _AM571x:     http://www.ti.com/processors/sitara/arm-cortex-a15/am57x/products.html#p2098=1%20C66x&p809=2;2
 130 .. _AM5728:     http://www.ti.com/product/AM5728
 131 .. _AM5748:     http://www.ti.com/product/am5748
 132 .. _AM5749:     http://www.ti.com/product/am5749
 133 .. _AM574x:     http://www.ti.com/processors/sitara/arm-cortex-a15/am57x/products.html#p2098=2%20C66x&p815=ECC