Lowpower Computer Vision Improve The Efficiency Of Artificial Intelligence George K Thiruvathukal

Lowpower Computer Vision Improve The Efficiency
Of Artificial Intelligence George K
Thiruvathukal download
https://ebookbell.com/product/lowpower-computer-vision-improve-
the-efficiency-of-artificial-intelligence-george-k-
thiruvathukal-48884752
Explore and download more ebooks at ebookbell.com

Here are some recommended products that we believe you will be
interested in. You can click the link to download.
Advanced Lowpower Digital Circuit Techniques The Springer
International Series In Engineering And Computer Science 405 Softcover
Reprint Of The Original 1st Ed 1997 Elrabaa
https://ebookbell.com/product/advanced-lowpower-digital-circuit-
techniques-the-springer-international-series-in-engineering-and-
computer-science-405-softcover-reprint-of-the-original-1st-
ed-1997-elrabaa-55598676
Low Power Architectures For Iot Applications Devendra Kumar Sharma
https://ebookbell.com/product/low-power-architectures-for-iot-
applications-devendra-kumar-sharma-49471084
Lowpower Highspeed Adcs For Nanometer Cmos Integration Zhiheng Cao
https://ebookbell.com/product/lowpower-highspeed-adcs-for-nanometer-
cmos-integration-zhiheng-cao-50400160
Low Power Vlsi Design Fundamentals Angsuman Sarkar Swapnadip De Manash
Chanda Chandan Kumar Sarkar
https://ebookbell.com/product/low-power-vlsi-design-fundamentals-
angsuman-sarkar-swapnadip-de-manash-chanda-chandan-kumar-
sarkar-51110710

Lowpower Galileogps Singleshot Receiver Architecture For Mobile
Terminals 1st Edition Christoph Kandziora
https://ebookbell.com/product/lowpower-galileogps-singleshot-receiver-
architecture-for-mobile-terminals-1st-edition-christoph-
kandziora-51982328
Low Power Fm For Dummies Sharon Scott
https://ebookbell.com/product/low-power-fm-for-dummies-sharon-
scott-52211916
Low Power Circuit Design Using Advanced Cmos Technology Milin Zhang
https://ebookbell.com/product/low-power-circuit-design-using-advanced-
cmos-technology-milin-zhang-53463932
Low Power Design Essentials 1st Edition Jan Rabaey Auth
https://ebookbell.com/product/low-power-design-essentials-1st-edition-
jan-rabaey-auth-2134040
Lowpower Variationtolerant Design In Nanometer Silicon Bhunia
https://ebookbell.com/product/lowpower-variationtolerant-design-in-
nanometer-silicon-bhunia-22002640

Low-Power Computer
Vision

Low-Power Computer
Vision
Improve the Efficiency of Artificial
Intelligence
Edited by
George K. Thiruvathukal
Yung-Hsiang Lu
Jaeyoun Kim
Yiran Chen
Bo Chen

First edition published 2022
by CRC Press
6000 Broken Sound Parkway NW, Suite 300, Boca Raton, FL 33487-2742
and by CRC Press
2 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN
CRC Press is an imprint of Taylor & Francis Group, LLC
© 2022 selection and editorial matter, George K. Thiruvathukal, Yung-Hsiang Lu, Jaeyoun Kim,
Yiran Chen, Bo Chen; individual chapters, the contributors
Reasonable efforts have been made to publish reliable data and information, but the author and pub-
lisher cannot assume responsibility for the validity of all materials or the consequences of their use.
The authors and publishers have attempted to trace the copyright holders of all material reproduced
in this publication and apologize to copyright holders if permission to publish in this form has not
been obtained. If any copyright material has not been acknowledged please write and let us know so
we may rectify in any future reprint.
Except as permitted under U.S. Copyright Law, no part of this book may be reprinted, reproduced,
transmitted, or utilized in any form by any electronic, mechanical, or other means, now known or
hereafter invented, including photocopying, microfilming, and recording, or in any information
storage or retrieval system, without written permission from the publishers.
For permission to photocopy or use material electronically from this work, access www.copyright.
com or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood Drive, Danvers, MA
01923, 978-750-8400. For works that are not available on CCC please contact mpkbookspermis -
[email protected]
Trademark notice: Product or corporate names may be trademarks or registered trademarks and are
used only for identification and explanation without intent to infringe.
Library of Congress Cataloging‑in‑Publication Data
Names: Thiruvathukal, George K. (George Kuriakose), editor.
Title: Low-power computer vision : improve the efficiency of artificial
intelligence / edited by George K. Thiruvathukal, Yung-Hsiang Lu,
Jaeyoun Kim, Yiran Chen, Bo Chen.
Description: First edition. | Boca Raton : CRC Press, [2022] | Includes
bibliographical references and index.
Identifiers: LCCN 2021042753 | ISBN 9780367744700 (hbk) | ISBN
9780367755287 (pbk) | ISBN 9781003162810 (ebk)
Subjects: LCSH: Computer vision. | Low voltage systems.
Classification: LCC TA1634 .L69 2022 | DDC 006.3/7--dc23/eng/20211028
LC record available at https://lccn.loc.gov/2021042753
ISBN: 978-0-367-74470-0 (hbk)
ISBN: 978-0-367-75528-7 (pbk)
ISBN: 978-1-003-16281-0 (ebk)
DOI: 10.1201/9781003162810
Publisher’s note: This book has been prepared from camera-ready copy provided by the authors.
Typeset in LM Roman
by KnowledgeWorks Global Ltd.

Contents
Foreword xvii
Rebooting Computing and Low-Power Computer Vision xix
Editors xxi
SectionIIntroduction
Chapter1
Book Introduction 3
Yung-Hsiang Lu, George K. Thiruvathukal, J aeyounKim, Yiran
Chen,andBoChen
1.1 ABOUT THE BOOK 4
1.2 CHAPTER SUMMARIES 4
1.2.1
History of Low-Power Computer Vision Challenge4
1.2.2
Survey on Energy-Ecient Deep Neural Net-
works for Computer Vision 5
1.2.3
Hardware Design and Software Practices for Ef-
cient Neural Network Inference 6
1.2.4
Progressive Automatic Design of Search Space
for One-Shot Neural Architecture 6
1.2.5
Fast Adjustable Threshold for Uniform Neural
Network Quantization 7
1.2.6
Power-ecient Neural Network Scheduling on
Heterogeneous system on chips (SoCs) 8
1.2.7 Ecient Neural Architecture Search 9
1.2.8
Design Methodology for Low-Power Image
Recognition Systems Design 10
1.2.9
Guided Design for Ecient On-device Object
Detection Model 11
v

viContents
1.2.10
Quantizing Neural Networks for Low-Power
Computer Vision 12
1.2.11
A Practical Guide to Designing Ecient Mobile
Architectures 13
1.2.12
A Survey of Quantization Methods for Ecient
Neural Network Inference 14
Chapter2

History of Low-Power Computer Vision Challenge17
Yung-Hsiang Lu andXiaoHu, Yiran Chen, Joe Spisak, Gaurav
Aggarwal, andMikeZhengShou,andGeorgeK. Thiruvathukal
2.1 REBOOTING COMPUTING 17
2.2
LOW-POWER IMAGE RECOGNITION CHALLENGE
(LPIRC): 20152019 18
2.3
LOW-POWER COMPUTER VISION CHALLENGE (LPCVC):
2020 20
2.4 WINNERS 21
2.5 ACKNOWLEDGMENTS 23
Chapter3

Survey on Energy-Efcient Deep Neural Networks
for Computer Vision 25
AbhinavGoel, Caleb Tung, Xiao Hu, HaoboWang,and
Yung-Hsiang Lu andGeorgeK. Thiruvathukal
3.1 INTRODUCTION 26
3.2 BACKGROUND 30
3.2.1 Computation Intensity of Deep Neural Networks 30
3.2.2 Low-Power Deep Neural Networks 31
3.3 PARAMETER QUANTIZATION 32
3.4 DEEP NEURAL NETWORK PRUNING 35
3.5
DEEP NEURAL NETWORK LAYER AND FILTER COM-
PRESSION 37
3.6
PARAMETER MATRIX DECOMPOSITION TECHNIQUES 39
3.7 NEURAL ARCHITECTURE SEARCH 40
3.8 KNOWLEDGE DISTILLATION 42

Contentsvii
3.9
ENERGY CONSUMPTIONACCURACY TRADEOFF
WITH DEEP NEURAL NETWORKS 44
3.10 GUIDELINES FOR LOW-POWER COMPUTER VISION 46
3.10.1
Relationship between Low-Power Computer Vi-
sion Techniques 46
3.10.2 Deep Neural Network and Resolution Scaling 47
3.11 EVALUATION METRICS 48
3.11.1 Accuracy Measurements on Popular Datasets 48
3.11.2
Memory Requirement and Number of Operations49
3.11.3 On-device Energy Consumption and Latency 50
3.12 SUMMARY AND CONCLUSIONS 50
SectionIICompetition Winners
Chapter4

Hardware Design and Software Practices for Ef-
cient Neural Network Inference 55
YuWang, Xuefei Ning, Shulin Zeng, Yi Cai, Kaiyuan Guo,and
HanboSun, Changcheng Tang, Tianyi Lu,andShuangLiang,
andTianchenZhao
4.1
HARDWARE AND SOFTWARE DESIGN FRAMEWORK
FOR EFFICIENT NEURAL NETWORK INFERENCE 56
4.1.1 Introduction 56
4.1.2 From Model to Instructions 58
4.2 ISA-BASED CNN ACCELERATOR: ANGEL-EYE 60
4.2.1 Hardware Architecture 61
4.2.2 Compiler 65
4.2.3 Runtime Workow 69
4.2.4 Extension Support of Upsampling Layers 69
4.2.5 Evaluation 71
4.2.6 Practice on DAC-SDC Low-Power Object
Detection Challenge 74
4.3 NEURAL NETWORK MODEL OPTIMIZATION 75
4.3.1 Pruning and Quantization 75
4.3.1.1 Network Pruning 76
4.3.1.2 Network Quantization 78

viiiContents
4.3.1.3 Evaluation and Practices 79
4.3.2 Pruning with Hardware Cost Model 81
4.3.2.1
Iterative Search-based Pruning Methods81
4.3.2.2
Local Programming-based Pruning
and the Practice in LPCVC'19 82
4.3.3 Architecture Search Framework 85
4.3.3.1 Framework Design 85
4.3.3.2
Case Study Using the aw
nas Frame-
work: Black-box Search Space Tuning
for Hardware-aware NAS 88
4.4 SUMMARY 90
Chapter5

Progressive Automatic Design of Search Space
for One-Shot Neural Architecture Search 91
XinXia, Xuefeng Xiao,andXingWang
5.1 ABSTRACT 92
5.2 INTRODUCTION 92
5.3 RELATED WORK 95
5.4 METHOD 96
5.4.1 Problem Formulation and Motivation 96
5.4.2 Progressive Automatic Design of Search Space 98
5.5 EXPERIMENTS 101
5.5.1 Dataset and Implement Details 101
5.5.2 Comparison with State-of-the-art Methods 103
5.5.3 Automatically Designed Search Space 106
5.5.4 Ablation Studies 109
5.6 CONCLUSION 110
Chapter6
Fast Adjustable Threshold for Uniform Neural
Network Quantization 111
AlexanderGoncharenko, Andrey Denisov,andSergeyAlyamkin
6.1 INTRODUCTION 112
6.2 RELATED WORK 113
6.2.1 Quantization with Knowledge Distillation 115

Contentsix
6.2.2 Quantization without Fine-tuning 115
6.2.3 Quantization with Training/Fine-tuning 115
6.3 METHOD DESCRIPTION 116
6.3.1 Quantization with Threshold Fine-tuning 116
6.3.1.1 Dierentiable Quantization Threshold 116
6.3.1.2 Batch Normalization Folding 118
6.3.1.3 Threshold Scale 118
6.3.1.4 Training of Asymmetric Thresholds 119
6.3.1.5 Vector Quantization 120
6.3.2 Training on the Unlabeled Data 120
6.3.3
Quantization of Depth-wise Separable Convolution121
6.3.3.1
Scaling the Weights for MobileNet-V2
(with ReLU6) 122
6.4 EXPERIMENTS AND RESULTS 123
6.4.1 Experiments Description 123
6.4.1.1 Researched Architectures 123
6.4.1.2 Training Procedure 124
6.4.2 Results 124
6.5 CONCLUSION 125
Chapter7
Power-efcient Neural Network Scheduling 127
YingWang, Xuyi Cai,andXiandongZhao
7.1
INTRODUCTION TO NEURAL NETWORK SCHEDULING
ON HETEROGENEOUS SoCs 128
7.1.1 Heterogeneous SoC 129
7.1.2 Network Scheduling 130
7.2
COARSE-GRAINED SCHEDULING FOR NEURAL NET-
WORK TASKS: A CASE STUDY OF CHAMPION SOLU-
TION IN LPIRC2016 131
7.2.1
Introduction to the LPIRC2016 Mission and the
Solutions 131
7.2.2
Static Scheduling for the Image Recognition Task133
7.2.3
Manual Load Balancing for Pipelined Fast R-CNN134

xContents
7.2.4 The Result of Static Scheduling 138
7.3
FINE-GRAINED NEURAL NETWORK SCHEDULING ON
POWER-EFFICIENT PROCESSORS 140
7.3.1
Network Scheduling on SUs: Compiler-Level
Techniques 140
7.3.2 Memory-Ecient Network Scheduling 141
7.3.3
The Formulation of the Layer-Fusion Problem
by Computational Graphs 142
7.3.4 Cost Estimation of Fused Layer-Groups 145
7.3.5
Hardware-Aware Network Fusion Algorithm
(HaNF) 149
7.3.6
Implementation of the Network Fusion Algorithm150
7.3.7 Evaluation of Memory Overhead 152
7.3.8 Performance on Dierent Processors 153
7.4 SCHEDULER-FRIENDLY NETWORK QUANTIZATIONS 154
7.4.1
The Problem of Layer Pipelining between CPU
and Integer SUs 154
7.4.2
Introduction to Neural Network Quantization
for Integer Neural Accelerators 155
7.4.3 Related Work of Neural Network Quantization 159
7.4.4
Linear Symmetric Quantization for Low-Precision
Integer Hardware 160
7.4.5 Making Full Use of the Pre-Trained Parameters 161
7.4.6
Low-Precision Representation and Quantization
Algorithm 161
7.4.7 BN Layer Fusion of Quantized Networks 163
7.4.8
Bias and Scaling Factor Quantization for Low-
Precision Integer Operation 164
7.4.9 Evaluation Results 165
7.5 SUMMARY 170
Chapter8
Efcient Neural Network Architectures 173
HanCai andSongHan
8.1 STANDARD CONVOLUTION LAYER 174

Contentsxi
8.2 EFFICIENT CONVOLUTION LAYERS 175
8.3 MANUALLY DESIGNED EFFICIENT CNN MODELS 175
8.4 NEURAL ARCHITECTURE SEARCH 179
8.5 HARDWARE-AWARE NEURAL ARCHITECTURE
SEARCH 182
8.5.1 Latency Prediction 184
8.5.2 Specialized Models for Dierent Hardware 185
8.5.3 Handling Many Platforms and Constraints 186
8.6 CONCLUSION 189
Chapter9

Design Methodology for Low-Power Image Recog-
nition Systems 191
SoonhoiHa, EunJin Jeong, Duseok Kang, JangryulKim,and
DonghyunKang
9.1 DESIGN METHODOLOGY USED IN LPIRC 2017 193
9.1.1 Object Detection Networks 194
9.1.2 Throughput Maximization by Pipelining 195
9.1.3 Software Optimization Techniques 196
9.1.3.1 Tucker Decomposition 197
9.1.3.2 CPU Parallelization 198
9.1.3.3 16-bit Quantization 198
9.1.3.4 Post Processing 200
9.2 IMAGE RECOGNITION NETWORK EXPLORATION 201
9.2.1 Single Stage Detectors 202
9.2.2 Software Optimization Techniques 204
9.2.3 Post Processing 205
9.2.4 Network Exploration 206
9.2.5 LPIRC 2018 Solution 207
9.3 NETWORK PIPELINING FOR HETEROGENEOUS
PROCESSOR SYSTEMS 208
9.3.1 Network Pipelining Problem 209
9.3.2 Network Pipelining Heuristic 211
9.3.3 Software Framework for Network Pipelining 213

xiiContents
9.3.4 Experimental Results 214
9.4 CONCLUSION AND FUTURE WORK 217
Chapter10
Guided Design for Efcient On-device Object
Detection Model 221
TaoSheng andYangLiu
10.1 INTRODUCTION 222
10.1.1 LPIRC Track 1 in 2018 and 2019 223
10.1.2 Three Awards for Amazon team 223
10.2 BACKGROUND 224
10.3 AWARD-WINNING METHODS 225
10.3.1 Quantization Friendly Model 225
10.3.2 Network Architecture Optimization 226
10.3.3 Training Hyper-parameters 226
10.3.4 Optimal Model Architecture 227
10.3.5 Neural Architecture Search 228
10.3.6 Dataset Filtering 228
10.3.7 Non-maximum Suppression Threshold 230
10.3.8 Combination 231
10.4 CONCLUSION 232
SectionIIIInvited Articles
Chapter11
Quantizing Neural Networks 235
MariosFournarakis, MarkusNagel, Rana AliAmjad, Yelysei
Bondarenko, Mart vanBaalen, andTijmenBlankevoort
11.1 INTRODUCTION 236
11.2 QUANTIZATION FUNDAMENTALS 238
11.2.1 Hardware Background 238
11.2.2 Uniform Ane Quantization 240
11.2.2.1 Symmetric Uniform Quantization 24211.2.2.2 Power-of-two Quantizer 242
11.2.2.3 Quantization Granularity 243
11.2.3 Quantization Simulation 243

Contentsxiii
11.2.3.1 Batch Normalization Folding 244
11.2.3.2 Activation Function Fusing 245
11.2.3.3 Other Layers and Quantization 246
11.2.4 Practical Considerations 247
11.2.4.1
Symmetric vs. Asymmetric Quantization247
11.2.4.2
Per-tensor and Per-channel Quantiza-
tion 248
11.3 POST-TRAINING QUANTIZATION 248
11.3.1 Quantization Range Setting 249
11.3.2 Cross-Layer Equalization 251
11.3.3 Bias Correction 255
11.3.4 AdaRound 256
11.3.5 Standard PTQ Pipeline 260
11.3.6 Experiments 261
11.4 QUANTIZATION-AWARE TRAINING 262
11.4.1 Simulating Quantization for Backward Path 263
11.4.2 Batch Normalization Folding and QAT 265
11.4.3 Initialization for QAT 267
11.4.4 Standard QAT Pipeline 268
11.4.5 Experiments 270
11.5 SUMMARY AND CONCLUSIONS 271
Chapter12
Building Efcient Mobile Architectures 273
MarkSandler andAndrewHoward
12.1 INTRODUCTION 274
12.2 ARCHITECTURE PARAMETERIZATIONS 276
12.2.1 Network Width Multiplier 277
12.2.2 Input Resolution Multiplier 277
12.2.3 Data and Internal Resolution 278
12.2.4 Network Depth Multiplier 279
12.2.5
Adjusting Multipliers for Multi-criteria Opti-
mizations 280
12.3 OPTIMIZING EARLY LAYERS 281

xivContents
12.4 OPTIMIZING THE FINAL LAYERS 283
12.4.1
Adjusting the Resolution of the Final Spatial
Layer 283
12.4.2 Reducing the Size of the Embedding Layer 284
12.5 ADJUSTING NON-LINEARITIES: H-SWISH AND
H-SIGMOID 285
12.6 PUTTING IT ALL TOGETHER 287
Chapter13

A Survey of Quantization Methods for Efcient
Neural Network Inference 291
AmirGholami, Sehoon Kim, Zhen Dong, Zhewei Yao, MichaelW.
Mahoney,andKurtKeutzer
13.1 INTRODUCTION 292
13.2 GENERAL HISTORY OF QUANTIZATION 296
13.3 BASIC CONCEPTS OF QUANTIZATION 298
13.3.1 Problem Setup and Notations 299
13.3.2 Uniform Quantization 299
13.3.3 Symmetric and Asymmetric Quantization 300
13.3.4
Range Calibration Algorithms: Static vs. Dy-
namic Quantization 302
13.3.5 Quantization Granularity 303
13.3.6 Non-Uniform Quantization 305
13.3.7 Fine-tuning Methods 306
13.3.7.1 Quantization-Aware Training 306
13.3.7.2 Post-Training Quantization 309
13.3.7.3 Zero-shot Quantization 310
13.3.8 Stochastic Quantization 312
13.4
ADVANCED CONCEPTS: QUANTIZATION BELOW 8
BITS 313
13.4.1 Simulated and Integer-only Quantization 313
13.4.2 Mixed-Precision Quantization 315
13.4.3 Hardware Aware Quantization 317
13.4.4 Distillation-Assisted Quantization 317
13.4.5 Extreme Quantization 318

Contentsxv
13.4.6 Vector Quantization 321
13.5 QUANTIZATION AND HARDWARE PROCESSORS 322
13.6
FUTURE DIRECTIONS FOR RESEARCH IN QUANTIZA-
TION 323
13.7 SUMMARY AND CONCLUSIONS 325
Bibliography 327
Index 405

Foreword
Whereas electronics and computing have provided our society with un-
precedented means of advancing services in this millennium, the environ-
mental cost of using electronic technology is becoming signicant. For
this reason, low-energy and low-power computing has become an impor-
tant area of research and development. Moreover, the miniaturization of
devices, for example phones and drones, requires small energy reservoirs
(i.e., low-volume, low-weight batteries). The pioneering work on digital
watches of the eighties has grown up by now to a full array of hardware
and software design technologies to mitigate the energy consumption of
processing and storage elements in many areas.
From an application perspective, the ability of recognizing situations
and actors, possibly within a complex environment, has become the key
element in creating advanced systems in many domains, such as security,
automated driving, and surveying. There has been a tremendous growth
in the capabilities of image recognition systems in both hardware and
software, and the presence of such systems is now almost ubiquitous. Nev-
ertheless, the complexity of recognition requires a corresponding energy
cost. As in the case of other electronic systems, the energy consumption
may be signicantly high and be an impediment to a wide use of image
recognition in some domains.
As a result of the aforementioned considerations, the search for low-
power computer vision systems is a key problem in both the research
and development elds. There is a wide gap between the ideal minimum
energy cost solutions and the current realizations. This gap is hard
to quantify, as many factors come into play, ranging from the non-
ideality of electronic devices (e.g., leakage current) to the choice of
heuristic algorithms that approximate solutions because of the inherent
computational complexity. On the bright side, this wide gap enables
a continuous search for improvements within the entire design space
spectrum, from circuits to algorithms, from hardware architectures to
software programs. xvii

xviiiForeword
The search for bettering energy eciency would not be possible
without realistic drivers and a world-wide participation of researchers.
This is why the low-power computer vision challenge has been, and
currently is, an important instrument for advancing the state of the art.
The challenge was taken by some of the best groups in the world, and
their eort has tackled the problem with dierent means and perspectives.
Overall, this challenge has brought us very important results, that are
fully documented in this book, and that will provide a strong impact on
industry and academia.
Lausanne, March 2021
Giovanni De Micheli

Rebooting Computing
and Low-Power
Computer Vision
Since its start in 2013 as an initiative of IEEE Future Directions Com-
mittee, \Rebooting Computing" has provided an international, interdis-
ciplinary environment where experts from a wide variety of computer-
related elds can come together to explore novel approaches to future
computing. The need for Rebooting Computing follows from the recog-
nition that the exponential improvement in computing performance in
previous decades was due primarily to transistor scaling in Moore's Law,
but this is coming to an end. Radical alternative approaches are needed
over the entire technology landscape, from basic devices and circuits
to architectures to software, with applications from supercomputers to
smartphones. Some possible newer approaches that are being explored
include neuromorphic computing, approximate and stochastic computing,
quantum and cryogenic computing, low-power reversible and adiabatic
computing, and computing based on non-volatile memories, analog and
optical systems. The initiative has now evolved to become a Task Force
within the Computer Society of IEEE and continues its mission unabated.
\Rebooting Computing" spawned many innovations, including the
Low-Power Image Recognition Challenge (LPIRC) in 2015, the brainchild
of Prof. Yung-Hsiang Lu. LPIRC ran for several years with ever-improving
performance by the teams demonstrating subsystems for image recogni-
tion at the lowest possible power. Importantly, the competition involved
a multitude of students, providing inspiration and motivation to students
worldwide. LPIRC was renamed as the Low-Power Computer Vision
Challenge (LPCVC) in 2020 when video was also included. These chal-
lenges evaluate both accuracy and energy consumption of systems that
can recognize and understand images or videos. Over the six years since
xix

xxRebooting Computing and Low-Power Computer Vision
the inception of the Challenge, more than 100 teams have participated.
The teams have sponsorship and participation from industry, including
Facebook, Google, Xilinx, ELAN Microelectronics, Amazon, Qualcomm,
and Bytedance.
This book contains the collection of the solutions of the winners of
the Challenge. The authors compare dierent options, making computer
vision more ecient and explaining important design decisions. The
information provides deep insight for researchers and practitioners.
Elie K. Track, CEO of nVizix LLC,
Founding Co-Chair of the IEEE Rebooting Initiative

Editors
George K. Thiruvathukal is a professor of Computer Science at Loyola
University Chicago, Illinois, USA. He is also a visiting faculty at Argonne
National Laboratory. His research areas include high performance and
distributed computing, software engineering, and programming languages.
Yung-Hsiang Lu is a professor of Electrical and Computer Engineering
at Purdue University, Indiana, USA. He is the rst director of Purdue's
John Martinson Engineering Entrepreneurial Center. He is a fellow of
the IEEE and distinguished scientist of the ACM. His research interests
include computer vision, mobile systems, and cloud computing.
Jaeyoun Kim is a technical program manager at Google, California,
USA. He leads AI research projects, including MobileNets and TensorFlow
Model Garden, to build state-of-the-art machine learning models and
modeling libraries for computer vision and natural language processing.
Yiran Chen is a professor of Electrical and Computer Engineering at
Duke University, North Carolina, USA. He is a fellow of the ACM and
the IEEE. His research areas include new memory and storage systems,
machine learning and neuromorphic computing, and mobile computing
systems.
Bo Chen is the Director of AutoML at DJI, Guangdong, China.
Before joining DJI, he was a researcher at Google, California, USA. His
research interests are the co-optimization of neural network software and
hardware as well as landing AI technology in products with stringent
resource constraints.
xxi

I
Introduction
1

C H A P T E R1
Book Introduction
Yung-Hsiang Lu
Purdue University
George K. Thiruvathukal
Loyola University Chicago
Jaeyoun Kim
Google California
Yiran Chen
Duke University
Bo Chen
Da-Jiang Innovations China
CONTENTS
1.1 About the Book:::::::::::::::::::::::::::::::::::::::::::::4
1.2 Chapter Summaries:::::::::::::::::::::::::::::::::::::::::4
1.2.1 History of Low-Power Computer Vision Challenge:4
1.2.2 Survey on Energy-Ecient Deep Neural Networks
for Computer Vision::::::::::::::::::::::::::::::::5
1.2.3 Hardware Design and Software Practices for
Ecient Neural Network Inference:::::::::::::::::6
1.2.4 Progressive Automatic Design of Search Space for
One-Shot Neural Architecture::::::::::::::::::::::6
1.2.5 Fast Adjustable Threshold for Uniform Neural
Network Quantization::::::::::::::::::::::::::::::7
1.2.6 Power-ecient Neural Network Scheduling on
Heterogeneous system on chips (SoCs):::::::::::::8
1.2.7 Ecient Neural Architecture Search::::::::::::::::9
1.2.8 Design Methodology for Low-Power Image
Recognition Systems Design::::::::::::::::::::::::10
1.2.9 Guided Design for Ecient On-device Object
Detection Model::::::::::::::::::::::::::::::::::::11
DOI:<> 10.1201/9781003162810-1 3

4Low-Power Computer Vision
1.2.10 Quantizing Neural Networks for Low-Power
Computer Vision::::::::::::::::::::::::::::::::::::12
1.2.11 A Practical Guide to Designing Ecient Mobile
Architectures::::::::::::::::::::::::::::::::::::::::13
1.2.12 A Survey of Quantization Methods for Ecient
Neural Network Inference:::::::::::::::::::::::::::14
1.1 ABOUT THE BOOK
The rst IEEE Low-Power Image Recognition Challenge was held in 2015.
Since then, winners have presented their solutions in conferences and
published detailed studies in journals. After six years of competitions,
there is a rich set of knowledge about how to make computer vision
ecient running on embedded computers. The organizers decided to put
together this book so that researchers, engineers, and practitioners can
understand what methods worked well for winning the competitions.
The book is composed of three parts: Introduction, Winners' Solu-
tions, and Invited Articles. The rst part provides a brief history of the
competitions and a survey of literature. The second part includes the arti-
cles from the winners. All winners were invited to contribute to this book;
this part of the book includes the articles from the winners that accepted
the invitations. The third part contains articles from leaders in low-power
computer vision, including authors from industry and academia.
1.2 CHAPTER SUMMARIES
1.2.1 History of Low-Power Computer Vision Challenge
Yung-Hsiang Lu (Purdue University); Xiao Hu (Purdue University);
Yiran Chen (Duke University); Joe Spisak (Facebook); Gaurav Aggar-
wal (Facebook); Mike Zheng Shou (Facebook Research), and George K.
Thiruvathukal (Loyola University Chicago)
Abstract
This chapter describes the history of IEEE History of Low-Power Com-
puter Vision Challenge 2015{2020.

Book Introduction5
Take-aways

Describes the history of the IEEE Low-Power Computer Vision
Challenge between 2015 and 2020.

Explains the methods to select winners and lists the winners over
these years.
1.2.2
Survey on Energy-Efcient Deep Neural Networks for Computer
Vision
Abhinav Goel (Purdue University); Caleb Tung (Purdue University);
Xiao Hu (Purdue University); Haobo Wang (Purdue University); George
Thiruvathukal (Loyola University Chicago); Yung-Hsiang Lu (Purdue
University)
Abstract
Deep Neural Networks (DNNs) are greatly successful in performing many
dierent computer vision tasks. However, the state-of-the-art DNNs are
too energy, computation, and memory-intensive to be deployed on most
computing devices and embedded systems. DNNs usually require server-
grade CPUs and GPUs. To make computer vision more ubiquitous, recent
research has focused on making DNNs more ecient. These techniques
make DNNs smaller and faster through various renements and thus are
enabling computer vision on battery-powered mobile devices. Through
this article, we survey the recent progress in low-power deep learning
to discuss and analyze the advantages, limitations, and potential im-
provements to the dierent techniques. We particularly focus on the
software-based techniques for low-power DNN inference. This survey
classies the energy-ecient DNN techniques into six broad categories:
(1)Quantization, (2)Pruning, (3)Layer and Filter Compression, (4)Matrix
Decomposition, (5)Neural Architecture Search, and (6)Knowledge Distil-
lation. The techniques in each category are discussed in greater detail in
this chapter.
Take-aways

Surveys the recent progress in low-power deep learning to analyze
the advantages, limitations, and potential improvements to the
dierent techniques.

Focus on the software-based techniques for low-power DNN infer-
ence

6Low-Power Computer Vision
1.2.3
Hardware Design and Software Practices for Efcient Neural Net-
work Inference
Yu Wang (Tsinghua University); Xuefei Ning (Tsinghua University);
Shulin Zeng (Tsinghua University); Changcheng Tang (Novauto); Yi
Cai (Tsinghua University); Kaiyuan Guo (Tsinghua University); Shuang
Liang (Novauto); Tianyi Lu (Novauto); Hanbo Sun (Tsinghua University);
Tianchen Zhao (Beihang University)
Abstract
In this chapter, we introduce our eorts in accelerating neural network
inference. From the hardware design aspect, we introduce the instructions-
set-architecture deep learning accelerator to support all kinds of DNN
models with customized ISA and optimized software compiler. And
from the algorithm aspect, we introduce several practices we have used:
sensitivity-based pruning without hardware model, quantization, iterative
pruning with hardware model, and neural architecture search.
Take-aways

Discusses hardware design: An instructions-set-architecture deep
learning accelerator to support all kinds of DNN models with
customized ISA and optimized software compile

Discusses software practices: Sensitivity-based pruning without
hardware model, quantization, iterative pruning with hardware
model, neural architecture search.
1.2.4
Progressive Automatic Design of Search Space for One-Shot Neu-
ral Architecture
Xin Xia (Bytedance Inc); Xuefeng Xiao (ByteDance Inc); XING WANG
(Bytedance AI Lab)
Abstract
Neural Architecture Search (NAS) has attracted growing interest. To
reduce the search cost, recent work has explored weight sharing across
models and made major progress in One-Shot NAS. However, it has been
observed that a model with higher one-shot model accuracy does not
necessarily perform better when stand-alone trained. To address this
issue, in this paper, we propose Progressive Automatic Design of search
space, named PAD-NAS. Unlike previous approaches where the same

Book Introduction7
operation search space is shared by all the layers in the supernet, we
formulate a progressive search strategy based on operation pruning and
build a layer-wise operation search space. In this way, PAD-NAS can
automatically design the operations for each layer. During the search, we
also take the hardware platform constraints into consideration for ecient
neural network model deployment. Extensive experiments on ImageNet
show that our method can achieve state-of-the-art performance.
Take-aways

Uses network architecture search methods to nd better architec-
tures for lower latencies and higher accuracy

Formulates a search strategy to build a layer-wise operation search
space through hierarchical operation pruning and mitigates weight
coupling issue in One-Shot NAS.

Compares the eects of dierent parameters on memory sizes,
latency, and accuracy
1.2.5
Fast Adjustable Threshold for Uniform Neural Network Quantization
Alexander Goncharenko (Novosibirsk State University); Andrey Denisov
(Expasoft); Sergey Alyamkin (Expasoft)
Abstract
The neural network quantization is highly desired procedure to perform
before running neural networks on mobile devices. Quantization without
ne-tuning leads to accuracy drop of the model, whereas commonly used
training with quantization is done on the full set of the labeled data and
therefore is both time- and resource-consuming. Real-life applications
require simplication and acceleration of quantization procedure that will
maintain the accuracy of full-precision neural network, especially for mod-
ern mobile neural network architectures like Mobilenet-v1, MobileNet-v2,
and MNAS. Here we present two methods to signicantly optimize the
training with quantization procedure. The rst one is introducing the
trained scale factors for discretization thresholds that are separate for
each lter. The second one is based on mutual rescaling of consequent
depth-wise separable convolution and convolution layers. Using the pro-
posed techniques, we quantize the modern mobile architectures of neural

8Low-Power Computer Vision
networks with the set of train data of only 10% of the total ImageNet
2012 sample. Such reduction of train dataset size and small number of
trainable parameters allow to ne-tune the network for several hours
while maintaining the high accuracy of quantized model (accuracy drop
was less than 0.5%). Ready-for-use models and code are available at:
https://github.com/agoncharenko1992/FAT-fast-adjustable-threshold.
Take-aways
Describes ways how to get an 8-bit quantized network.

The main idea is that simple min/max quantization with cali-
bration works poor because of outliers which spoils thresholds of
quantization.

We can adjust this thresholds by using Straight-Through Estimators.
Using some tips such as Batch Normalization folding and, channel
equalization (more details you can found in the paper) we can get
solution as good as training with quantization from scratch but
with less data and way faster.
1.2.6
Power-efcient Neural Network Scheduling on Heterogeneous sys-
tem on chips (SoCs)
Ying Wang (Institute of Computing Technology, Chinese Academy of Sci-
ences); Xuyi Cai (Institute of Computing Technology, Chinese Academy of
Sciences ); Xiandong Zhao (Institute of Computing Technology, Chinese
Academy of Sciences)
Abstract
The powerful deep neural networks (DNNs) have been propelling the
development of ecient computer vision technologies for mobile systems
such as phones and drones. To enable power-ecient image processing on
resource-constrained devices, many studies have been dedicated to the
eld of low-power DNNs from dierent layers of the systems. Amongst
the deep stack of low-power DNN systems, task scheduling also plays an
essential role as the interfacing middleware between the algorithms and
the underlying hardware. Especially when heterogeneous SoCs have been
widely adopted in edge and mobile scenarios as the hardware solution,
an ecient DNN task scheduler is needed to reduce the implementation

Book Introduction9
overhead of DNN-based task and extract the most power from the
SoC platform. This chapter will rstly exemplify DNN scheduling with
the image recognition solution of LPIRC-2016 and introduce how to
eciently schedule a DNN-based visual processing task onto a typical
heterogeneous SoC composed of general-purpose and specialized cores.
After the elaborate task-level scheduling strategy, we will discuss the
ne-grained DNN-wise scheduling policy on specialized DNN cores and
show the eectiveness of memory-oriented DNN-layer scheduling. Last,
since model quantization is an indispensable step to map a large-size
neural network model onto the resource-thrifty mobile SoCs, we will
discuss the implication of DNN quantization on the heterogeneous SoCs
integrated with both integer and oat-point cores, and then introduce the
scheduler-friendly DNN quantizer for pure-integer hardware. Although
most prior works on low-power DNNs focused their attention on ecient
network and hardware architectures, it is shown that the scheduler-level
optimization technology will also be critical to the energy-eciency of
the system, particularly when the algorithmic implementation is xed
and o-the-shelf hardware devices are adopted.
Take-aways

Demonstrates the rank-1 solution of LPIRC2016 as a case study
to introduce the basic coarse-grained scheduling techniques for
DNN-based applications.

Presents the memory-ecient ne-grained neural network scheduler
on DNN processors.

Introduces the scheduler-friendly quantization technique to reduce
the overhead of neural network implementation on embedded SoCs.
1.2.7 Efcient Neural Architecture Search
Han Cai and Song Han (MIT)
Abstract
Designing ecient neural network architectures is a widely adopted ap-
proach to improve eciency, besides compressing an existing deep neural
network. A CNN (Convolutional Neural Network ) model typically con-
sists of convolution layers, pooling layers, and fully-connected layers,

10Low-Power Computer Vision
where most of the computation comes from convolution layers. For exam-
ple in ResNet-50, more than 99% multiply-accumulate operations (MACs)
are from convolution layers. Therefore, designing ecient convolution
layers is the core of building ecient CNN architectures. This chapter
rst describes the standard convolution layer and then describes three
ecient variants of the standard convolution layer. Next, we present three
representative manually design ecient CNN architectures, including
SqueezeNet, MobileNets, and ShueNets. Finally, we describe automated
methods for designing ecient CNN architectures.
Take-aways

Describes the standard convolution layer and then describes three
ecient variants of the standard convolution layer.

Presents three representative manually designed ecient CNN
architectures, including SqueezeNet, MobileNets, and ShueNets.

Describes automated methods for designing ecient CNN architec-
tures.
1.2.8
Design Methodology for Low-Power Image Recognition Systems
Design
Soonhoi Ha (Seoul National University); EunJin Jeong (Seoul National
University); Duseok Kang (Seoul National University); Jangryul Kim
(Seoul National University); Donghyun Kang (Seoul National University)
Abstract
In the development of an embedded image recognition system, there are
many issues to consider, such as which hardware platform and algorithm
to use, how to optimize the software with resource constraints and how
to optimize multiple design objectives, and so on. This chapter presents
a systematic design methodology that could be applied to the design of
embedded systems with a concrete example of image recognition systems.
Based on the proposed methodology, we could win the rst prize in LPIRC
(Low-Power Image Recognition Challenge) 2017. After selecting NVIDIA
Jetson TX2 as the hardware platform and Tiny YOLO as the detection
algorithm, we applied the well-known software optimization techniques
in a systematic way, aiming to jointly optimize speed, accuracy, and

Book Introduction11
energy. We have rened the methodology to choose a dierent algorithm
on the same hardware platform and could build another winning solution
in track 2 of LPIRC 2018. Recently new hardware platforms have been
developed that contain CNN hardware accelerators as well as GPU
(Graphics Processing Units), among which NVIDIA Jetson AGX Xavier
is a representative example. Since it is a heterogeneous system that
contains multiple hardware accelerators, how to exploit the computing
power of those accelerators maximally becomes an important issue to
consider in the proposed design methodology. We have developed a novel
technique to maximally utilize multiple accelerators to achieve 21.7 times
better score than our previous solution in LPIRC 2018, which is also
presented in this chapter.
Take-aways

First prize winning solution in LPIRC 2017 and in track2 of LPIRC
2018.

Presents a systematic design methodology for the design of low-
power image recognition systems.

Demonstrates how to select the hardware platform and a neural
network by considering the estimated performance.

Demonstrates how to map the network onto the hardware platform
aiming to maximize the throughput by pipelining.

Shows how various software optimization techniques are then ap-
plied to each processing element.
1.2.9 Guided Design for Efcient On-device Object Detection Model
Tao Sheng and Yang Liu (Amazon)
The low-power computer vision (LPCV) challenge is an annual compe-
tition for the best technologies in image classication and object detection
measured by both eciency (execution time and energy consumption)
and accuracy (precision/recall). Our Amazon team has won three awards
from LPCV challenges: 1st prize for interactive object detection challenge
in 2018 and 2019 and 2nd prize for interactive image classication chal-
lenge in 2018. This paper is to share our award-winning methods, which
can be summarized as four major steps. First, 8-bit quantization friendly

12Low-Power Computer Vision
model is one of the key winning points to achieve the short execution time
while maintaining the high accuracy on edge devices. Second, network
architecture optimization is another winning keypoint. We optimized the
network architecture to meet the 100ms latency requirement on Pixel2
phone. The third one is dataset ltering. We removed the images with
small objects from the training dataset after deeply analyzing the training
curves, which signicantly improved the overall accuracy. And the forth
one is non-maximum suppression optimization. By combining all the
above steps together with the other training techniques, for example,
cosine learning function and transfer learning, our nal solutions were
able to win the top prizes out of large number of submitted solutions
across worldwide.
Take-aways:

Discusses the methods involved in the winning solutions over the
years.

Explains the impacts of each method (quantization, architecture
search, hyperparameter tuning)
Reduces the resolutions to improve performance
1.2.10 Quantizing Neural Networks for Low-Power Computer Vision
Markus Nagel (Qualcomm); Marios Fournarakis (Qualcomm); Rana Ali
Amjad (Qualcomm); Yelysei Bondarenko (Qualcomm); Mart van Baalen
(Qualcomm); Tijmen Blankevoort (Qualcomm)
Abstract
Over the last years, Neural Networks (NNs) have been widely adapted
in Computer Vision (CV) applications. While for many tasks they out-
perform traditional CV algorithms they often come at a high compute
cost. Even mobile friendly architectures such as MobileNet still require
hundreds of million oating point operations. To further reduce the
energy eciency and latency of NNs, quantization can be used to replace
the original oating-point operations with low bit xed-point operations.
In this chapter we introduce NN quantization for low-power computer
vision. Afterward we highlight recent advances in post-training quanti-
zation, a class of algorithms that can be applied to pretrained NNs and
do not require any expert knowledge. In the last part we will focus on

Book Introduction13
quantization-aware training, a technique that trains NNs with simulated
quantization operations.
Take-aways
Introduces neural network quantization

Serves as a practical guide to quantization simulation with HW
considerations

Introduces state-of-the-art post-training quantization (PTQ) tech-
niques that are easy to use.

Introduces state-of-the-art quantization-aware training (QAT) ap-
proaches that result in best performance.

Denes standard PTQ and QAT pipeline and evaluates them on
several computer vision models and tasks.
1.2.11 A Practical Guide to Designing Efcient Mobile Architectures
Mark Sandler and Andrew Howard (Google)
Abstract
In this chapter we overview a set of basic techniques that can be applied
when designing and ne-tuning ecient architectures. We establish basic
principles that practitioners can use when adapting existing architectures
to particular applications. While a lot of modern research has been
dedicated to network architecture search, the basic design principles are
often poorly understood. Our goal here is to build a solid foundation and
demystify the reasoning about image neural networks from a practical
perspective. From our experience, such a foundation is indispensable for
both designing new architecture search spaces, as well as for practical
tuning of existing architectures to new hardware and/or problems, without
relying on opaque Network Architecture Search (NAS) techniques.
Take-aways

Introduces a set of basic techniques for adapting and ne-tuning
existing model architectures to dierent hardware and problems.

14Low-Power Computer Vision

Provides an in-depth overview of several types of multipliers that
enable a user to independently adjust resource consumption such
as model size, memory requirements, and energy consumption.

Demonstrates more specialized ways to ne-tune individual layers.
Demonstrates ways to phase in custom nonlinearities that have
limited support on existing hardware.
1.2.12
A Survey of Quantization Methods for Efcient Neural Network
Inference
Amir Gholami (UC Berkeley); Sehoon Kim (University of California,
Berkeley); Zhen Dong (UC Berkeley); Zhewei Yao (University of Cali-
fornia, Berkeley); Michael Mahoney (University of California, Berkeley);
Kurt Keutzer (EECS, UC Berkeley)
Abstract
As soon as abstract mathematical computations were adapted to com-
putation on digital computers, the problem of ecient representation,
manipulation, and communication of the numerical values in those compu-
tations arose. Strongly related to the problem of numerical representation
is the problem of quantization: in what manner should a set of continuous
real-valued numbers be distributed over a xed discrete set of numbers to
minimize the number of bits required and also to maximize the accuracy
of the attendant computations? This perennial problem of quantization is
particularly relevant whenever memory and/or computational resources
are severely restricted, and it has come to the forefront in recent years
due to the remarkable performance of Neural Network models in com-
puter vision, natural language processing, and related areas. Moving
from oating-point representations to low-precision xed integer values
represented in four bits or less holds the potential to reduce the memory
footprint and latency by a factor of 16x; and, in fact, reductions of 4x
to 8x are often realized in practice in these applications. Thus, it is
not surprising that quantization has emerged recently as an important
and very active sub-area of research in the ecient implementation of
computations associated with Neural Networks. In this article, we survey
approaches to the problem of quantizing the numerical values in deep
Neural Network computations, covering the advantages/disadvantages of
current methods. With this survey and its organization, we hope to have

Book Introduction15
presented a useful snapshot of the current research in quantization for
Neural Networks and to have given an intelligent organization to ease
the evaluation of future research in this area.
Take-aways

As soon as abstract mathematical computations were adapted to
computation on digital computers, the problem of ecient represen-
tation, manipulation, and communication of the numerical values
in those computations arose.

Strongly related to the problem of numerical representation is the
problem of quantization, which is the main focus of this chapter.

We will rst introduce the basic concepts of quantization, and then
discuss the advanced methods, as well as open problems in this
area.

C H A P T E R2
History of Low-Power
Computer Vision
Challenge
Yung-Hsiang Lu and Xiao Hu
Purdue University
Yiran Chen
Duke University
Joe Spisak, Gaurav Aggarwal, and Mike Zheng Shou
Facebook
George K. Thiruvathukal
Loyola University Chicago
CONTENTS
2.1 Rebooting Computing::::::::::::::::::::::::::::::::::::::17
2.2 Low-Power Image Recognition Challenge (LPIRC):
2015{2019:::::::::::::::::::::::::::::::::::::::::::::::::::18
2.3 Low-Power Computer Vision Challenge (LPCVC): 2020:::20
2.4 Winners:::::::::::::::::::::::::::::::::::::::::::::::::::::21
2.5 Acknowledgments:::::::::::::::::::::::::::::::::::::::::::23
2.1 REBOOTING COMPUTING
The \Moore's Law" has been one of the most profound driving forces of
modern technologies. The law is an observation (not a physics law) that
semiconductor technologies can double densities approximately every one
to two years. This technology advancement is the foundation shrinking
computers from mainframes to desktops to mobile phones. There have
DOI:10.1201/9781003162810-2 17

18Low-Power Computer Vision
been numerous discussions about the \post Moore's Law" era|when the
steady improvements in semiconductor density hit the physics limits and
cannot grow at the same rate any more. The IEEE Future Directions
started a new initiative called \Rebooting Computing" to think about
future computer designs when the Moore's Law eventually ends. The rst
Rebooting Computing Summit was held in Washington DC in 2013. In
this inaugural summit of Rebooting Computing, co-chair Elie K. Track
asked each attendee to volunteer for one task after the meeting. David
Kirk from Nvidia and Yung-Hsiang Lu from Purdue University suggested
the idea of organizing a competition that would require solutions beyond
available technologies. This competition would demonstrate articial
intelligence using only ambient energy such as sunlight, vibration, or
wind. When this chapter is written in 2021, solar-powered cameras are
already available. However, to the authors' knowledge, these cameras are
unable to perform sophisticated vision tasks.
Readers are encouraged to visit the websitehttps://lpcv.ai/about
the most recent competitions and speeches on low-power computer vision.
2.2LOW-POWER IMAGE RECOGNITION CHALLENGE (LPIRC):
20152019
The rst challenge was to dene \intelligence". In 2012, a new era of
computer vision had started: deep neural networks achieved impressive
progress in the ImageNet competition. Alexander C. Berg was one of
the organizers of ImageNet. Lu and Berg discussed how to design a
new competition. This new competition would build upon ImageNet's
success using image recognition to judge intelligence, adding low energy
consumption as a second factor. The competition used energy (Joules)
as a parameter to recognize the importance of time to complete a task.
Each solution had ten minutes to process all data. Using power (Watts)
alone can be misleading because a solution can be low-power but run
for a very long time thereby still consuming more energy, e.g., larger
battery drain. The score is computed as the recognition accuracy divided
by energy consumption:
score =
accuracyenergy consumption
: (2.1)
Figure 2.1 (a)shows an example of an input image and two objects
to be recognized: a bird and a frog. ImageNet has 1,000 categories of
objects, including human, dog, cat, airplane, etc. An object is considered

History of Low-Power Computer Vision Challenge19
(a) (b)
Figure 2.1 (a) A sample from ImageNet. Object detection needs to
recognize the objects correctly and mark their locations. (b) The location
of a recognized object is evaluated by using intersection over union (IoU)
of the two bounding boxes.
successfully recognized if two conditions are met: (1) The category is
correct. Recognizing a dog as an airplane is considered a failure. (2)
The location of the object is marked correctly. Each recognized object is
marked by abounding box: a rectangle that encloses the object.<> Figure 2.1
(b)shows two bounding boxes: one reported by a computer program
and the other marked by a human (treated as the correct answer). The
bounding box by the computer program is accepted if theintersection
over unionexceeds 50%, as dened below:
correct answer\reported
correct answer[reported
0:5: (2.2)
Table 2.1denes four possible outcomes of object detection. If an
object is present in an image and it is detected, this is calledtrue positive.
If a detected object is not actually in an image, this is calledfalse positive.
Precision is dened as
precision =
true positive
true positive + false positive
: (2.3)
TABLE 2.1 Four Possible Outcomes of Object Detection
Detection
Yes No
Truth
YesTrue PositiveFalse Negative
NoFalse PositiveTrue Negative

20Low-Power Computer Vision
TABLE 2.2 From 2015 to 2018, the Winners' Scores Improved 24 Times
Year mAP Energy (WH) Score Ratio
2015 0.02971 1.634 0.0182 1.00
2016 0.03469 0.789 0.0440 2.42
2017 0.24838 2.082 0.1193 6.56
2018 0.18318 0.412 0.4462 24.51
.
The test images contain objects of dierent categories (such as humans
and cars). The average precision is calculated for each categories. Then,
the mean of all categories is calculated; this is called themean average
precision (mAP). The accuracy of the competition is measured by mAP
across all test images.
In 2015, 5,000 images were used and no team nished all 5,000 im-
ages within 10 minutes. The champion obtained 0.02971 mAP with
1.634 Watt-Hour energy consumption; their score was 0.0182. Since 2016,
20,000 images were used. The 2018 champion nished 20,000 images
within 10 minutes and obtain 0.1832 mAP with 0.412 Watt-Hour energy
consumption. The score was 0.4446, improvement of 24 times since 2015.
Table 2.2compares the winners' scores. As a reference, the winner of the
2017 ImageNet competition (without time or energy restrictions) had
an accuracy of 0.731 mAP. In 2015{2018, LPIRC had no restrictions
on hardware or software and it was an onsite competition. Contestants
brought a wide range of systems: laptops, phones, desktop with GPUs,
embedded computers, recongurable systems, tablets, etc. To encourage
more participation without the need of travel, starting from 2018, contes-
tants could use pre-selected hardware and submit their solutions online.
Online submissions have another advantage: contestants could submit
multiple solutions and the best scores are used. Starting from 2019, the
competition is online only with pre-selected hardware.
2.3
LOW-POWER COMPUTER VISION CHALLENGE (LPCVC):
2020
In 2020, LPIRC was renamed to Low-Power Computer Vision Challenge
(LPCVC) by adding video taken by an unmanned aerial vehicle (UAV,
also called unmanned aerial systems UAS, or drone).Figure 2.2shows two
sample frames of a video taken by a UAV inside a building. The challenge
needs to process the video and provide question-answer pairs. Each
answer is one or multiple English letters or numbers. The corresponding

History of Low-Power Computer Vision Challenge21
(a) (b)
Figure 2.2 Two sample frames of a video taken by a UAV.
answer is the other English letters or the numbers in the same frame. For
example, if the question is \B056", the correct answer is \ELEVATOR
CONTROL RESTRICTED AREA ELEVATOR PERSONNEL ONLY".
For the question "CONFERENCE", the answer is \122". The answers
are case-insensitive. TheLevenshtein distanceis used to measure the
correctness of the answers. The videos were pre-recorded and the same
clip was made available to all participants for oine processing on a
pre-determined hardware platform: Raspberry Pi 3B+. The software
framework is PyTorch.
2.4 WINNERS
Since 2015, 108 teams submitted more than 500 solutions. The champions'
solutions often outperformed the best solutions available in literature.
Table 2.3shows the workshops and special sessions of the competitions
for the competitions and the winners. Staring from 2018, the challenge
includes multiple tracks. These tracks were simultaneous, and teams could
participate in more than one track. Each track had a unique challenge
and potentially used dierent hardware and software platforms. The challenge has been open to the public and there is no particular limit
on the team size or aliation to any academic or professional institute.
Teams came from academia, industry, as well as collaboration of both.
The challenge was held twice in 2019. The following are the champions of
each year. Winners' solutions have been published in [1,2,3,4,5,6,7].
The followings are the lists of winners:

2015: Tsinghua University and Huawei (China), Institute of Au- tomation of Chinese Academy of Sciences and Huawei (China),
Tsinghua University and Huawei (China).

22Low-Power Computer Vision
TABLE 2.3 The Challenges Are Co-located with Major Conferences
Conference Event
2015/06 DAC Onsite competition
2015/11 ICCAD 2015 winners presented solutions
2016/06 DAC Onsite competition
2017/01 ASPDAC 2016 winners presented solutions
2017/07 CVPR Onsite competition
2018/03 DATE 2017 winners presented solutions
2018/06 CVPR Onsite competition
2018/12 NeurIPS 2018 winners presented solutions
2019/03 AICAS 2018 winners presented solutions
2019/06 CVPR 2018 winners presented solutions
2019/10 ICCV 2019 winners presented solutions
2020/06 CVPR 2019 winners presented solutions
2021/05 AICAS 2020 winners presented solutions

2016: Chinese Academy of Science (China), Tsinghua University
(China).

2017: Seoul National University (S Korea), Korea Platform Ser-
vice Technology and Electronics and Telecommunications Research
Institute (S Korea), Watrix (China).
2018 (three tracks):
{
Real-Time Image Classication with Low latency: Expasoft
(Russia), Qualcomm (Canada).
{
Interactive Image Classication: Expasoft (Russia), Amazon
(USA).
{
Interactive Object Detection: Amazon (USA), Qualcomm
(Canada).
2019-1 (four tracks):
{
Image Classication using Field Programmable Gate Arrays:
IPIU (China)
{
Image Classication on Mobile Accelerator: MIT HAN Lab
(USA)
{
Object Detection: Amazon (USA), Tsinghua University
(China), Qualcomm (Canada)

History of Low-Power Computer Vision Challenge23
{
Image Classication: Alibaba (China), Expasoft (Russia), MIT
HAN Lab (USA).
2019-2 (two tracks):
{
Object Detection: MIT HAN Lab & Dawnlight (USA and
China)
{
Image Classication: MIT HAN Lab & Dawnlight (USA and
China)
2020 (ve tracks):
{
Video using PyTorch: ByteDance (China), Texas A & M
University and Kwai (USA), Stony Brook University (SUNY
Korea).
{
Image Classication using Field Programmable Gate Arrays:
MIT HAN Lab (USA), National Chiao Tung University (Tai-
wan), CAS Institute of Computing Technology (China).
{
TFLite Interactive Object Detection using CPU: MIT HAN
Lab (USA), Shanghai Jiao Tong University (China), Novauto
(China).
{
TFLite Real-Time Image Classication using CPU: Baidu
and Tsinghua University (China), Beihang University (China),
ByteDance (China).
{
TFLite Real-Time Image Classication using DSP: ByteDance
(China), Beihang University (China), MIT HAN Lab (USA),
National Chiao Tung University and National Tsing Hua
University (Taiwan).
2.5 ACKNOWLEDGMENTS
The editors wish to express deep appreciation to the leaders of IEEE
Rebooting Computing, including Elie K. Track, Terence Martinez, Alan
Kadin, Tom Conte, Bichlien Hoang, William Tonti, Erik P. DeBenedictis,
Bruce Kraemer, Scott Holmes, David Mountain, and Paolo Gargini. LPIR-
C/LPCVC sponsors include IEEE Rebooting Computing, IEEE Council
on Electronic Design Automation, IEEE Council on Superconductivity,
IEEE Circuits and Systems Society, IEEE GreenICT, ACM Special In-
terest Group on Design Automation, Google, Facebook-PyTorch, Nvidia,

24Low-Power Computer Vision
Xilinx, ELAN Microelectronics, Mediatek, and National Science Foun-
dation. Any opinions, ndings, and conclusions or recommendations
expressed in this article are those of the authors and do not necessarily
reect the views of the sponsors.

C H A P T E R3
Survey on
Energy-Efficient Deep
Neural Networks for
Computer Vision
Abhinav Goel, Caleb Tung, Xiao Hu, Haobo Wang, and
Yung-Hsiang Lu
Purdue University
George K. Thiruvathukal
Loyola University Chicago
CONTENTS
3.1 Introduction:::::::::::::::::::::::::::::::::::::::::::::::::26
3.2 Background:::::::::::::::::::::::::::::::::::::::::::::::::30
3.2.1 Computation Intensity of Deep Neural Networks::30
3.2.2 Low-Power Deep Neural Networks::::::::::::::::::31
3.3 Parameter Quantization::::::::::::::::::::::::::::::::::::32
3.4 Deep Neural Network Pruning::::::::::::::::::::::::::::::35
3.5 Deep Neural Network Layer and Filter Compression:::::::37
3.6 Parameter Matrix Decomposition Techniques::::::::::::::39
3.7 Neural Architecture Search:::::::::::::::::::::::::::::::::40
3.8 Knowledge Distillation::::::::::::::::::::::::::::::::::::::42
3.9
Energy Consumption|Accuracy Tradeo with Deep Neural
Networks::::::::::::::::::::::::::::::::::::::::::::::::::::44
3.10 Guidelines for Low-Power Computer Vision::::::::::::::::46
3.10.1 Relationship between Low-Power Computer Vision
Techniques::::::::::::::::::::::::::::::::::::::::::46
3.10.2 Deep Neural Network and Resolution Scaling::::::47
3.11 Evaluation Metrics::::::::::::::::::::::::::::::::::::::::::48
DOI:<> 10.1201/9781003162810-3
25

26Low-Power Computer Vision
3.11.1 Accuracy Measurements on Popular Datasets::::::48
3.11.2 Memory Requirement and Number of Operations::49
3.11.3 On-device Energy Consumption and Latency::::::50
3.12 Summary and Conclusions::::::::::::::::::::::::::::::::::50
Deep neural networks (DNNs) are greatly successful in performing many
dierent computer vision tasks. However, state-of-the-art DNNs are too
energy, computation, and memory-intensive to be deployed on most mo-
bile and embedded devices. DNNs usually require server-grade CPUs and
GPUs. To make computer vision more ubiquitous, recent research has
focused on making DNNs more ecient. These techniques make DNNs
smaller and faster through various renements and thus are enabling
computer vision on battery-powered mobile devices. Through this chap-
ter, we survey the recent progress in low-power deep learning to analyze
the advantages, limitations, and potential improvements to the dier-
ent techniques. We particularly focus on the software-based techniques
for low-power DNN inference. This survey classies the energy-ecient
DNN techniques into six broad categories: (1) Quantization, (2) Pruning,
(3) Layer and Filter Compression, (4) Matrix Decomposition, (5) Neural
Architecture Search, and (6) Knowledge Distillation. The techniques in
each category are discussed in greater detail in this chapter.
3.1 INTRODUCTION
Deep Neural Networks (DNNs) are a class of machine learning algo-
rithms that have led to signicant breakthroughs in many computer
vision tasks [8,9,10,11]. The state-of-the-art performance of DNNs is
mainly attributed to their ability to train billions of parameters for tting
complex functions [12]. However, the tremendous accuracy gains come
with high costs in terms of computation and energy [13]. Visual Geom-
etry Group (VGG-16) is a popular DNN used in computer vision and
requires 15 billion operations to process a single image [8]. This amount
of computation is beyond the scope of most embedded devices and is
often limited to servers with high-performance GPUs or accelerators.
In one experiment, we observe that one of the fastest object detectors,
YOLOv3 [11], requires up to 4.9 seconds to process a single image on an
Intel \Kaby Lake" Core i7 processor without a GPU. This experiment

Survey on Energy-Efcient Deep Neural Networks for Computer Vision27
illustrates the tremendous computing requirements of DNNs and the
diculty to deploy them on resource-constrained devices.
Billions of mobile and embedded devices are now equipped with
high denition cameras [
14]. These devices are not usually equipped
with GPUs. To process the images or videos captured by these cameras,
computer vision practitioners often ooad computing to the cloud [15].
However, many applications cannot be ooaded, e.g., computer vision
deployed on drones ying in areas without reliable network coverage,
or in satellites where ooading is too expensive [16]. Privacy concerns
also limit the applicability of cloud-based solutions [17]. Lowering the
computation requirements of computer vision would enable more em-
bedded devices to process data without ooading [
10]. Research has
shown that a considerable amount of a DNN's computation is redundant
when performing computer vision. These redundant operations can be
removed from a DNN to increase eciency without notable losses in
accuracy [10, 18].
This chapter describes the inuential research on energy-ecient
DNNs. This chapter uses results reported in the existing literature to
analyze and compare the dierent techniques. We focus specically on
software-based techniques for low-power DNN inference. Hardware-based
techniques and low-power DNN training are beyond the scope of this
chapter. This survey extends our previous paper [19]. In this chapter, we
discuss the various low-power DNN techniques in greater detail. In doing
so, we classify the techniques into ner categories and more accurately
describe the intuition supporting the dierent design decisions.
This chapter classies the methods for low-power computer vision
into six broad categories. Each category uses a specic method to improve
DNNs for ecient computer vision. We provide a short description of the
techniques in the following list.<> Table 3.1 provides a high-level comparison
of the techniques.
1.Parameter Quantization:
Reduces the number of bits used to
store the DNN parameters and activations. Quantized DNNs require
less memory and have simplied computation. Unquantized DNNs
usually use 32-bit single-precision oating point (oat32) parame-
ters, activations, and operations.Figure 3.1a<> shows representations
of dierent quantization formats.
2.Deep Neural Network Pruning:
Identies and removes unnec-
essary connections from a DNN to improve eciency. Pruning

Random documents with unrelated
content Scribd suggests to you:

— Niin, juuri mahtavan arkkimandriitti Antoniin aikana, miehen,
joka voimalla, tarmolla ja valtioviisaudella hoiti valtakunnan etuja
täällä pohjoisessa Boris Godunowin kuoltua vuonna 1605.
Nuorukainen ymmärsi. Luostarin historiassa kerrottiin, että kun
Boris Godunovvin kuoltua valtakunta joutui hajaannuksen tilaan ja
yhä uudelleen esiintyvät kruunun tavoittelijat täyttivät maan
melskeellä ja sisäisillä sodilla, tuli Solovetsin luostari täällä
pohjoisessa vallan vartiaksi ja valtiotaidon johtajaksi, erittäinkin kun
se laski koko Karjalan jonkunmoiseksi alusmaakseen, josta se sai
tuloja ja josta sen oli vastattava. Kun nyt vuonna 1609 Kaarle IX teki
Vasili Shuiskin kanssa liiton sillä ehdolla, että hän antamansa
aseellisen avun korvaukseksi saisi koko Karjalan läänin, lähetti
Pohjanmaan sotapäällikkö Isak Behm sanansaattajan kirjeellisesti
tiedustelemaan luostarilta, miten se suhtautuu tähän sopimukseen:
pitääkö Shuiskin puolta ja luovuttaa puolestaan Karjalan, vai
kannattaako Vale-Dmitriitä, eikä anna Karjalaa hyvällä. Shuiskiahan
luostari tietenkin kannatti, mutta ei millään ehdolla halunnut
luovuttaa Karjalaa; kuitenkin oli kieltäytyminen tavallaan tsaarin
käskyn hylkäämistä; mitä tehdä tässä pulmallisessa tapauksessa?
— Niinkö oli asia?
— Niin, nyykäytti vanhus vastaukseksi, ja jatkoi itse:
— Mutta arkkimandriitti Antonii oli mies, joka ei mielinyt ratkaista
pulmaa luostarilleen epäedullisesti. Viisitoista vuotta aikaisemmin
olivat valmistuneet luostarin lujat muurit ja sen kahdeksan korkeata
linnatornia. Ne olivat sen ajan varustuksiksi siksi kunnioitettavat, että
Antonii saattoi huoletta heittäytyä niiden turviin, olipa vihollisena
sitten joko Ruotsi tai itse Shuiski. Ja meri tuossa ulkopuolella suojeli
myöskin pyhää hoidokkiaan. Ja Karjalan kansan uskonnollinen

mieliala sekä molemmin puolin tehdyt ryöstöretket olivat
kiihoittaneet suomalaisten ja karjalaisten keskinäiset välit niin
verisiksi, että luostarilla oli varmaankin koko alusmaittensa
asujamisto puolellaan. Harkintaa siis sieti tämä asia, eikä luostari
vastaustaan kiirehtinytkään…
* * * * *
Ulkona oli kaikki hiljennyt. Ylösnousemisen kirkon sinistä
jättiläiskupoolia ja kuulakasta taivasta vastaan vilahtelivat valkoisina
välähdyksinä uupumattomien lokkien siivet. Kultaiset ristit
kajastelivat pronssin värisinä yön ilmassa ja vinoon painunut kolmas
poikkipuu kertoi väsymättömästi surumielistä taruansa maailman
vapahtajasta, jonka ihmiskunnan koko syntitaakan raskauttaman
askeleen alla se masennuksissaan vinoon vaipui. Ryhmyiset muurit
olivat siinä kuin uneen uupunut mahtava peto, silmät puoli-ummessa
odottaen hetkeänsä. Ne olivat paljon nähneet ja tiesivät paljon
kertoa.
— Katso, poikani, tuota pientä kolon tapaista tuon korkeimman
tornin länsipuolella, sanoi vanhus hänelle viitaten akkunasta.
Ulkopuolelta ei kukaan voisi aavistaa, että se on erään pienen ja
ahtaan kammion ainoa valoreikä. Se on muurattu itsensä tornin
paksuun seinään ja siinä kopissa on…
Hän keskeytti puheensa ja mietti hetken, mutta jatkoi sitten
hiukan lausettansa muuttaen:
— Siinä kopissa on aikoinaan asunut onneton ritari… Sanotaan,
että Itämaisen sodan aikana Kasaniin viedyt luostarin salaiset
asiakirjat ovat myöskin tienneet laajasti kertoa tähän tapahtumaan

liittyvistä seikoista. Jumala meitä armossaan varjelkoon ja
selittäköön tekomme parhain päin.
Hän teki hartaasti ristinmerkin ja vaipui ajatuksiinsa. Nähtävästi
hän tunsi tämän asian tarkoinkin, vaikka oli haluton siitä kertomaan,
sen kun saattoi katsoa jotenkin luostarin maineelle epäedulliseksi.
Mutta kenties hän sitten muisti välille jo jääneen kolme vuosisataa,
joiden aikana on kerennyt pahakin viillos turpeentua, kenties tuo
kaukainen ja hänelle rakkaaseen laitokseen niin läheisesti liittyvä
ihmiskohtalo häntä liikutti ja kehoitti siitä puhumaan, miten hyvänsä,
tänä yön hetkenä valkopartainen vanhus haasteli nuorelle
suomalaiselle eriskummallisia, puoleksi historiallisia, puoleksi
tarunomaisia ja keskiaikaisen mystiikan värittämiä tarinoitansa.
Tuntui aivan selvään hänen melko nopeasta ja sujuvasta
esityksestään, jossa usein saattoi kuulla vanhan kirkkoslavonian
värittämiä sanakäänteitä, että hänen kuvauksensa oli kotoisin jostain
luostarikronikasta, jota ei oltu koskaan saatettu julkisuuteen sen
vuoksi, että sen tiedot saattoivat antaa aihetta luostarin johtajien
toiminnan arvosteluun. Kirjoittaja lienee ollut joku asian
salaisimmatkin vaiheet tarkoin tunteva munkki, joka omasta
halustaan ja ikäänkuin jonkunmoista syyllisyyden tunnetta
lievittääkseen oli tapahtumat jälkimaailman tietoon saattanut. Se oli
inhimillisyyttä, Jumalan pelkoa ja naivia katolisuutta täynnä…
Jumalan tahdosta saapui autuaan arkkimandriitin Antonii
Doblestniin neljäntenä hallitusvuotena keväällä, vielä lujan jään
aikana, monasteriin nämtsien lähetystö tiedustelemaan, tahtoiko
monasteri ryhtyä kannattamaan Vasili Shuiskin, sen oikeauskoisen
tsaarin asiaa, sekä luovuttaa puolestaan Ruotsille Karjalan läänin,
niinkuin sovittu oli, vai liittyä Dmitriihin, siihen väärään vallan
anastajaan, ja kieltää vastoin tsaarin sanaa Ruotsilta Karjalan. Ja oli

tässä lähetystössä, paitsi Pohjanmaan sotapäällikön Behmin miestä,
nuori ritari Johan Grijp, sekä heidän palveluskuntansa, jotka kaikki
olivat saapuneet Pohjanmaan puolelta yli oikeauskoisen maan,
Kemin ja pyhän meren. Ja kun he olivat tulleet suuren portin
edustalle, jota monasterin palkkaama streltsien joukko ajan
levottomuuden ja epävarmuuden vuoksi yötä päivää vartioi, ja
vartiat olivat heiltä, vaikka heidän asiansa jo tunnettiinkin,
tiedustelleet tulon syytä ja tulivatko ystävinä vai vihollisina, niin kun
he olivat ilmoittaneet ystävinä tulevansa ja lähetystön suojaa
vaativansa, sanoma heidän tulostaan heti saatettiin itsellensä
arkkimandriitille. Ja sillä välillä vieraat ihmetellen katselivat äsken
rakennettuja valtavia muureja, puhellen keskenään oudolla kielellä ja
katsellen koko laitostamme nähtävästi suurella kunnioituksella. Ja oli
varsinkin nuori ritari Grijp puettu synnillisen koreasti turkkeihin ja
kauniisiin säämiskäsaappaisiin sekä nahkaisiin kyltereihin, pitkä
miekka sivullansa. Nauraen osoitteli hän seurallensa isiemme
vaatetusta, eikä kukaan lähetystön jäsenistä osoittanut pyhän
neitsyen kuvalle portin yläpuolella ristinmerkillä kunnioitusta, kuten
Jumalan kunnia olisi vaatinut. Ja paljon saapui isiä työn ja rukouksen
keskeltä katsomaan nämtsien lähetystöä ja miettimään, mikä suuri
asia oli saattanut vieras-uskoiset liikkeelle tänne jäiden ja myrskyn
valtakuntaan. Mutta oli se Jumalan tahto ja koettelemus, että
saataisiin nähdä, oliko monasteri sopiva kantamaan sitä suuruutta ja
valtaa, minkä hän armossaan sille näillä kolkoilla perukoilla ja
ammoin pakanuudesta luopuneen kansan keskuudessa oli
määrännyt.
Jumalalle ainoalle ylistys, kiitos ja kunnia. Kun suuri isämme
Antonii oli saanut kuulla nämtsien lähetystöstä, oli hänen sydämensä
vallannut ankara ahdistus ja epätoivo, niin että hän oli käsiään
väännellen heittäytynyt ristinkuvan eteen ja rukoillut palavasti

Jumalalta ja monasterin suojeluspyhimyksiltä tietoa siitä, mitä hänen
piti tässä näin pulmallisessa kysymyksessä tehdä, kun hänen
järkensä ja monasterin tulevaisuus sekä näiden perukkain
oikeauskoisen kansan kohtalo ja mielipide neuvoi tekemään toisin
kuin mikä oli julistettu tsaarin tahdoksi ja tarkoitukseksi
liittokumppaninsa kanssa. Ja oli hän käskenyt isien kokoontua
ylösnousemisen kirkkoon yhteiseen rukoukseen ja viedä vieraat
monasterin vierashuoneeseen sekä kohdella heitä hyvin ja säätynsä
sekä lähettiläs-arvonsa mukaan.
Mutta kun marttyyri Filipin rakentamilla isoilla Marian taivaaseen
nousun ja Kristuksen kirkastamisen kirkkojen kelloilla äkkiä ruvettiin
täydellä voimalla soittamaan, hämmästyi lähetystö kovin juhlallisen
äänen suuruutta ja sitä rikkautta, jota oli tarvittu sellaisten
suunnattoman suurien kellojen valamiseen. Mutta he eivät olisi asiaa
ihmetelleet, jos he olisivat todella tunteneet monasterin suuret
rikkaudet ja sen mahtavan vaikutusvallan, joka sillä jo kauan oli ollut
äiti-Venäjän asioihin, tunteneet luostarin toisen perustajan, Pyhän
Filipin uupumattoman tarmon, valtioviisauden ja uskon, hänet, joka
on rakentanut suurimman osan monasterin rakennuksista,
perustanut hospitaalin, myllyn ja paljon teitä sekä Jänissaaren
kuuluisan erakkolan, hänet, jonka tsaari viimein totuuden puhumisen
tähden surkeasti ja tuskallisesti kauheassa vankilassa tapatti. Niin jos
vieraat olisivat kaikki nämä seikat tunteneet, he eivät olisi niin
suuresti kaikkia näkemiänsä ihmetelleet.
Mutta kun monasterin palvelijaveljet tulivat ilmoittamaan
arkkimandriitin tahtoa vieraille, eivät nämä ensin mielineet antaa
pois aseitaan, koskapa näkivät muurin reunalta streltsien piikit ja
rengaspaidat, mutta taipuivat sittemmin ja antoivat suosiollisesti pois
miekkansa, jotka olivat hyvin siroa tekoa ja joista toinen vieläkin on

tallella asehuoneessamme. Ja huolettomana ja hymyillen sekä edes
päänsä paljastaen astui sitten muiden mukana nuori ritari Grijp
portistamme sisään, ja oli hänellä kaunis muoto sekä ruskea,
munkkiemme tapaan hartioille valuva tukka, niinkuin kuului olleen
siihen aikaan nämtsien maallikoilla tapana maailmallisesti itseänsä
koristella. Mutta huomattuaan muuriemme ylettömän vahvuuden ja
korkeuden, hyvät aseemme ja asestetut vartiamme tulivat he jälleen
rauhattoman näköisiksi, mikä ei ollutkaan ihme, sillä olivathan he
oudossa paikassa ja vihollismaassa, joskin Jumalansa ja
lähettilästurvansa varjeluksessa. Sillä epäilemättä oli heidänkin
varjelijansa sama armollinen Jumala, jolle alttarimme ääreltä yötä
päivää kaikuu ylistys- ja kiitoslaulu.
Streltsit laskivat aseensa heitä tervehtiäkseen ja katselivat nämtsit
varsinkin vartiaimme päällikköä, joka oli harvinaisen voimakas ja
komea nuori mies, suurella uteliaisuudella. Heidät kuljetettiin nyt
heidän asuntoonsa, joksi tuli kullekin ritarille oma huoneensa, mutta
asemiehille yhteinen, ja olivat ritarit tähän järjestelyyn
tyytymättömiä, tahtoen päästä asumaan yhteen miestensä kanssa,
mutta rauhoittuivat he, kun heille selitettiin, ettei muita huoneita
tällä kerralla ollut käytettävänä. Muut huoneet tarvittiinkin tarkoin,
kun muistetaan se, mikä jälkeenpäin saatiin tietää, että aivan heti
tämän jälkeen monasteriin saapui Shuiskin pajarien lähetystö, joka
yön pimeydessä salaa tuli hautausmaan puoleista salakäytävää
myöten, saavuttuaan saarelle Suman linnasta; eivätkä heitä kutkaan
luostariveljistä nähneet eivätkä tulleet näkemään, sillä se oli
arkkimandriitin Antoniin nimenomainen tahto. Mutta oli eräs
munkeistamme sen kuitenkin päässyt tietämään, sillä hän toimi
arkkimandriitin sihteerinä, ja ajatteli hän silloin nämtsienkin
monasteriin tullessa, että Jumala ainoastaan tietää, mitä tästä
kaikesta lopuksi tulijoille kohtaloksi koituu, kuten olikin asia, ja

tämän kaiken on hän itkien ja rukoillen yön synkkinä hetkinä salassa
ylös kirjoittanut, että tiedettäisiin viattomalla verellä olleen pyhässä
monasterissa puolustusmiehiä.
Se huone, joka nyt joutui ritari Grijpin asunnoksi, oli pieni, muurin
sisään rakennettu isossa läntisessä tornissa, jonka akkunana oli
epäpyöreä ampumareikä. Juuri kun aurinko iltaisin hukkui lännessä
mereen, sattuivat sen säteet sopivasti tästä aukosta sisään siellä
asuvan virkistykseksi ja mielen ylennykseksi. Ja pienuudestaan
huolimatta oli huone siisti, jopa parempi kuin munkkien kopit. Sinne
vievän käytävän reunaan on muinoin laitettu pyhien hautoja, joista
toisia on myöhemmin avattu, ja on käytävä muutenkin pimeyden
takia kolkko, niin että iloisen ritarin mieli näkyi väkisinkin
masentuvan alakuloiseksi. Sanotaan Jumalan sallivan, että edessä
olevan kolkon kohtalon aavistus pääsee tunkemaan mieleen, että
sydän kääntyisi ijäisyyden puoleen, ajoissa huolehtimaan
pelastuksesta.
Mutta kun vieraat näkivät rauhallisen ja ystävällisen käytöksemme
ja saivat käskyn tulla aterioimaan monasterin yhteiseen ruokasaliin,
näytti heidän mielensä virkistyvän ja mielellään nauttivat he Jumalan
antimia vakaina kuunnellen esilukijan esitystä pyhien elämästä, jota
he kuitenkaan eivät tainneet paljoa ymmärtää. Ja kun ateria oli
nautittu ja siunattu leipä syöty, ilmaisi lähettiläs taaskin pyyntönsä
saada tavata arkkimandriitta, mihin suostuttiinkin. Mutta sitä ei
sallittu, että hän olisi ottanut mukaansa ritari Grijpin, sillä lähettiläs
oli hän yksin vain. Ja saatettiin hänet sitten monasterin esimiehen
huoneeseen, joka oli paksuun ympärysmuuriin liittyvä yläkerran laaja
asumus. Jumala olkoon tämän kertojalle armollinen siitä, että hän
puhuu näistä salaisista asioista, mutta se tapahtuu ainoastaan siinä
vakaumuksessa, ettei tässä sattunut mitään, joka ei olisi ollut

Jumalan niin sallimaa, ja tuhatkertaa olkoon annettu anteeksi sekin,
että synnillinen uteliaisuus houkutteli sen, joka on näistä asioista
tiennyt näin tarkoin kertoa, muurin sisäkäytävää arkkimandriitin
salaovelle kuuntelemaan mitä tapahtuman piti.
Arkkimandriitti Antonii istui pöytänsä ääressä, jolla paloi kaksi
tuohusta, ja jäivät hänen raudanlujat kasvonsa, joista mustat silmät
tuikkivat, muun huoneen kanssa kokonaan varjoon. Kun vieras teki
kunnioittavan, mutta ylpeän tervehdyksen, nousi monasterin esimies
seisomaan ojentaen hänelle kätensä. Ja tunnustaa täytyy, että hän
oli todella komea ja ihailtava mies, sopiva näinä melskeisinä aikoina
valvomaan valtakunnan etuja näillä mailla, jotka olivat aina olleet
riidan esineinä, mutta jotka hänen viisautensa tänä ajankohtana,
jolloin tsaari oli ne jo pois luvannut, pelasti monasterille ja
oikeauskoiselle kirkolle. Hän oli pitkä ja laiha mies, parta harmaa,
rinnalle aaltoileva, päässä hiusten puutteen ja kylmän tähden kalotti,
milloin hän ei pitänyt munkkien tavallista korkeaa mustaa
päähinettä. Kun nyt lähettiläs ojensi hänelle sinetillä suljetun kirjeen,
teki hän sen jo paljoa nöyremmin kuin mitä olisi hänen ryhdistään
äsken sisään astuessaan voinut odottaa. Luettuaan kirjeen hitaasti
viittasi Antoni lähettilästä, hänelle sanaakaan sanomatta,
poistumaan, mitä käskyä tämä ollenkaan hidastelematta totteli.
Tämä kirje sisälsi nyt sen, mitä tämän kirjoituksen alussa on
mainittu, ja oli siinä siis tarkoituksena saada selko, luovuttaisiko
monasteri esteettä Ruotsille sen, mistä oli sovittu, nimittäin Karjalan
Solotsiin eli siis Valkeaan mereen saakka, mikä on ollutkin Ruotsin
vanha pyrkimys ja luonnollinen asia kaiken muun paitsi uskon
puolesta, Karjalan kansa kun on heidän kanssa samaa heimoa. Mutta
kun se oli ammoin monasterin ja oikeauskoisen kirkon toimesta
käännytetty oikeaan uskoon ja mielellään pysyi monasterin

alamaisuudessa, pitäen rajantakaisia Kajaanin nämtsejä vihollisinaan,
ei monasteri tietenkään voinut katsoa oikeaksi sen luovuttamista
Ruotsille, sillä olisihan sillä teolla ehkä ainaiseksi lopetettu Venäjän
valta näillä perukoilla. Ja ainoastaan pakosta oli Vasili Shuiskikin
tällaisen valtakunnalle vahingollisen sopimuksen tehnyt, mistä saattoi
olla todistuksena sekin lähetystö, joka — hänenkö vai muiden
kaukonäköisten miesten toimesta — juuri näissä asioissa monasteriin
saapui. Sillä salata ei voine sitä asiaa, että valtioviisaat miehet, jotka
asettivat isänmaan edun yli kaiken, olivat heti, kuultuaan että
Ruotsin kuninkaan kanssa oli tehty sopimus Karjalan läänin
luovuttamisesta avun palkaksi, lähettäneet tämän lähetystön
Solovetsiin valvomaan, että sen lupauksen toimeenpano saataisiin
jos mahdollista raukenemaan. Siinä tarkoituksessa piti sen antaa
asianomaisten ymmärtää, ettei tottelemattomuus tsaarin käskyä
vastaan ollut tässä tapauksessa mikään synti, vaan päinvastoin
erittäin ansiokas teko, joka vastaisuudessa kyllä palkittaisiin. Ja kun
monasterin etu myöskin tässä tapauksessa puhui samaan suuntaan,
ei saattanut epäillä, mikä oli oleva Antoniin lopullinen päämäärä
tässä asiassa.
Heti kun tämä lähetystö yön hiljaisuudessa oli saapunut,
herätettiin Antonii. Heidän kesken alkoi nyt kiihkeä neuvottelu, jonka
sisällystä ei voinut kuulla, mutta joka, kuten sittemmin tapaukset
osoittivat, kävi siihen suuntaan, että monasteri vastasi myöhemmin
kirjeellisesti, antamatta tälle lähettiläälle mitään suullista tietoa
kannastaan. Ja parempi olisi, että monasteriin jäisi sitä varten joku
nämtsien seurueesta, sillä hän, varustettuna luostarin
suojeluskirjalla, parhaiten sitten voisi viedä vastauksen takaisin.
Siten voitettaisiin ainakin aikaa ja saataisiin nähdä, miksi asiat
kehittyisivät etelässä, jossa nämtsit nyt taistelivat tsaarin puolesta.

Kaikesta tästä näki, että monasterilla oli suuri merkitys näiden
maiden asioissa, jopa valtakuntien välisissä neuvotteluissa.
Mutta sillä välin kuin varsinainen lähettiläs oli virallisissa
puuhissaan, pitivät streltsit huolta Grijp ritarin huvittamisesta. He
näyttivät vieraalleen kaikki kirkot, aarreaitan ja asekammion, minne
oli koottu sadottain pertuskoja, keihäitä, miekkoja, kypäreitä, nuijia
ja rautapaitoja; he näyttivät hirvittävät maalaukset, joissa kuvattiin
saatanan viettelyksiä ja helvetin tuskia, veivät katsomaan Sosiman ja
Sauvvatan muumioita sekä paikkoja, joissa oli ihmeitä tapahtunut,
aarteita ja kalliita esineitä, joista monasterin rikkaus ja maallinen
mahtavuus kävi ilmi.
Ja kerrotaan, että streltsien päällikkö, tuo suuri ja voimakas
sotilas, oli utelias näkemään, mihin nämtsit voisivat käyttää sellaista
kapeata ja pitkä miekkaa, joka oli oikeastaan vain kärjestä terävä ja
jollainen oli Grijp-herrankin ase, hän itse kun oli tottunut luottamaan
pitkään ja raskaaseen lyömäaseeseensa. Kun silloin ritari Grijp oli
tulkin avulla selittänyt miekkailutaitoa ja streltsi epäillen pudistanut
päätänsä, oli ritari iloisesti tarjoutunut hänelle käytännössä
osoittamaan sellaisen aseen etevämmyyttä. Hän oli saanut aseensa,
oli menty monasterin ulkopuolelle metsikköön ja siellä käyty
miekkasille. Ihmeellistä oli ollut nähdä, kuinka hän silloin
notkeudellaan ja nopeudellaan sekä äkkiarvaamattomilla pistoillaan
oli saattanut jättiläismäisen vastustajansa kokonaan ymmälle, lopuksi
lyöden liian raskaan aseen tämän kädestä. Päivittäisin oli silloin
ruvettu miekkailemaan ja ritarin uutta taitoa opettelemaan, ja oli
hänestä sekä streltsien päälliköstä pian tullut ystävät.
Mutta monasterin väki koetti nyt Antoniin käskystä saada
lähetystön aikaa kulumaan, sillä mihinkään tarkempiin neuvotteluihin

ei tahdottu ryhtyä. Mutta ruotsalainen lähettiläs kävi pian
malttamattomaksi ja vaati vastausta päästäkseen lähtemään
kotiseuduilleen, jonne hän tahtoi saapua ennen täydellistä kelirikkoa.
Silloin selitettiin, että vastaus lähetettäisiin kirjallisesti, kunhan ensin
saataisiin tarkempi tieto tsaarilta, mikä oli hänen tahtonsa. Jos
esimerkiksi ritari Grijp tahtoisi jäädä sitä odottamaan, voisi lähettiläs
siis lähteä milloin hyvänsä. Niin sovittiinkin ja eräänä aamuna näki
Grijp-herra tornihuoneestaan toveriensa purjehtivan matkoihinsa,
ollen hän sen jälkeen useita päiviä alakuloinen ja synkkämielinen,
suruksi seuralaisilleen ja streltsille, jotka olivat oppineet hänen
iloisesta olemuksestaan paljon pitämään. Eikä ollut monasteriin
jääminen hänelle ollut mieluista, mutta oli hän sen tehnyt lähettilään
erikoisesta pyynnöstä ja kun hänelle oli taattu täysin turvallinen
paluumatka. Ja kuta pitemmälle kevät ehti, sitä kaihomielisemmäksi
kävi iloinen ritari, laulaen ulkona saarella kulkiessaan maailmallisia
laulujaan, joissa kuitenkin tuntui sydämen kääntyminen Jumalan
puoleen, tai yhtyen kirkossa pyhään messuun.
Pian hänkin kuitenkin rupesi kiirehtimään vastausta päästäkseen
kotimatkalle ja olisikin arkkimandriitti ollut pakotettu edes
jonkunlaisen antamaan, vaikka vaikeneminen olisi ollut hänelle tässä
mieluisinta, ellei olisi tapahtunut jotakin, joka kerrassaan tuhosi
ritarin kotiin pääsyn toiveet, samalla muodostuen parhaimmaksi
keinoksi, minkä pohjalla, ellei tahdottu kokonaan luopua tehdyistä
suunnitelmista, voitaisiin jättää vastaus lähettämättä. Kävellessään
eräänä päivänä monasterin käytävissä sattuikin hän kohtaamaan
Shuiskin lähettilään. Ei tiedetä, mitä heidän välillään tapahtui, mutta
pilkaten lopuksi moskovalainen pajari kiivastuksissaan paljasti koko
asian. Ruotseja kyllä käytettiin etelässä apuna, mutta turhaa
uskoivat he näitä maita saavansa, sillä ei ollut aikomustakaan niitä
antaa.

Äkkiä valkeneekin nuorelle ritarille se, että todellakaan ei
monasterilla ole aikomustakaan mitään vastausta antaa, saati vielä
tsaarin ja kuninkaan sopimuksen mukaista, ja kiivastuneena sekä
ollenkaan tekoaan ja omaa kohtaansa harkitsematta pyrkii hän heti
Antoniin puheille ja vaatii häneltä selvitystä asiaan, syyttäen häntä
petoksesta ja tahallisesta, harkitusta viivytyksestä, sekä uhaten heti
lähteä ilmoittamaan asiasta Pohjanmaan päällikölle.
Jumala armossaan suokoon hänelle anteeksi nämä syytökset,
joihin arkkimandriitilla ei voinut olla mitään vastattavaa, sekä sen
ajattelemattomuuden, jota hän nuoren luontonsa mukaisesti tässä
osoitti. Kun hän nyt vielä näin julkisesti ilmoitti matkustavansa
kotimaahansa viemään tietoa, ettei monasterilla ollut mitään
aikomusta tsaarin lupausta pitää ja että muka itse tsaarikin oli
takana päin asian niin tahtonut, tuli hänen pois pääsynsä aivan
mahdottomaksi, sillä hänhän olisi voinut pian särkeä sen liiton, josta
pahimmassa tapauksessa saattoi riippua koko Vasili Shuiskin valta.
Kiivaudessaan oli siis nuorukainen syössyt itsensä turmioon ja
samalla antanut monasterille hyvän tilaisuuden jättää kaikki
vastaukset sikseen. Pyhän paikan turvallisuus jo vaati, ettei tätä
nuorta hurjapäätä nyt päästettäisi minnekään.
Kuullessaan ritarin puhetta oli Antonii aivankuin horjahtanut, sillä
äkkiä hänelle valkeni tämä asia ja ritarin pois pääsyn vaarallisuus.
Hänellä oli nyt ratkaistavana vain se, minkä arvon hän tahtoi antaa
omalle turvallisuuden lupaukselleen, sillä siinä suhteessa oli hänellä
nyt kiusaus suuri. Ja Jumala tietää, että hän ratkaisi sen asian
kristityn ja kunnian miehen tavoin, sillä hän vastasi ritarille
ainoastaan: "Lähde, olenhan luvannut sinulle turvallisuutta". Ja hän
oli horjahtanut taaksepäin kuullessaan samalla viereltään tutun
äänen sanovan: "Niin sinä, mutta en minä". Shuiskin pajari se oli,

joka nyt puuttui asiaan. Nyt älysi ritari Grijp tyhmyytensä, nyt kirosi
hän kiivauttansa ymmärtäen koko asian, ja masentuneena vaipui hän
suopean streltsin käsiin, joka oli ovelle ilmestynyt häntä takaisin
kammioonsa saattamaan.
Salaisella näkijällä ja kuulijalla vuosi sydän verta, kun hänkin
ymmärsi, minkä mahtavain pyrkimysten uhriksi oli joutunut tämä
kaikkeen viaton lähettiläs, liian heikko ajan outoja vehkeilyjä
ymmärtämään. Mutta kun hänet oli viety pois, kääntyi Antonii
pajariin katsoen häneen kauan, ja sen katseen alla jäähtyi
jäähtymistään vieraan hymy, kunnes ylpeä ryppy ilmestyi hänen
otsalleen. Hitaasti kääntyi hän pois, ja meni ulos kylmästi
olkapäitään kohauttaen. Masentuneena vaipui Antonii pöytänsä
ääreen rukoukseen.
Tutkimattomat ovat hänen tiensä ja ihmissydän ryhtyy usein
kapinoimaan, kun sen täytyy itkeä verta oikeutta odottaessaan. Miksi
kärsii viaton, miksi haavoitetaan karitsaa, kun syyllinen ja susi usein
vapaana käyskelee? Syntiemme tähden, Herra, veriruskeitten, jotka
sinä ainoastaan tuskalla ja rangaistuksella voit pestä pois…
Oliko pajari jostain ritariin suuttunut ja tahtonut valmistaa itselleen
täten koston tilaisuutta? Miksi ei Antonii hänestä huolimatta laskenut
ritaria menemään, vaan salli pajarin pitää päänsä? Epäilemättä
yhdisti heitä tässä valtakunnan ja luostarin etu toimimaan siten kuin
etempänä nähdään.
* * * * *
Huoneessa oli hämärä. Vanhan munkin kertomuksen katkaisi äkkiä
juhlallinen kellojen soitto: pyhiä isiä kutsuttiin taas
jumalanpalvelukseen.

Sielun pelastus oli heidän elämänsä päämääränä, ei aineellisten
etujen saavuttaminen eikä taistelu ulkonaisten vihollisten kanssa.
Sielun salaisessa asunnossa tapahtui heillä se kamala taistelu, jonka
onnistuminen riippui oikeasta Jumalan armon ja voiman
käsittämisestä. Hänpä tietääkin voitot tällä kilpakentällä. Niin kuluu
heidän elämänsä hautaa kohti, rukouksen ja alituisen työn
vaihdellessa. Tuskin on uni ehtinyt virvoittaa väsynyttä ruumista, kun
jo yön hiljaisuudessa kumahtavat kellot ja munkki herää unestansa
rukoukseen. Hän on uneksinut synnistä ja kadotuksesta, saatana on
häntä houkutellut hänen tahtonsa ollessa nukkuessa herpautuneena,
ja katuen, haikeasti rukoillen ja kaivaten sielun rauhaa saapuu hän
yölliseen jumalanpalvelukseen.
Majesteetillisina kohoutuvat synkät muurit hämyn keskellä ja
yksinäisenä tähtenä tuikkii tuolta korkealta muurin kupeelta, pyhän
neitsyen kuvan alta, ijäinen valo yön synkkään yksinäisyyteen. Paljon
saapuu pyhiinvaeltajiakin, sillä pelko siitä, että poissaolo tekisi heidät
jossain suhteessa saavutettavana olevasta ansiollisuudesta
osattomaksi, tekee useimmat valppaiksi. Suuret joukot silti nukkuvat
kuin opetuslapset yrttitarhassa, sillä heidän silmänsä ovat maailman
unesta raskaat, eivätkä he jaksa valvoa. Vasta myöhemmin, kun
heille tarjotaan maallista virvoitusta luostarin suuressa ruokasalissa,
saapuvat he sinne ja saavat silloin kuulla sulopuheisen Jefrem Sirinin
liikuttavia varotuksia.
Mutta se, joka on valpas, joka ensimäisenä odottaa aamun
viileydessä luostarin suuren portin avaamista, on uskollinen,
jumalinen ja viisas Ontrei. Suopeasti hän tuolta jo kiiruhtaa
hymyilemään paikalle hitaasti saapuvalle nuorelle toverilleen,
hymyilee hyväksyvästi ja kehoittavasti, aivan ylpeänä tämän kalliin ja

pyhän laitoksen puolesta. Ilostuneena he siinä tervehtivät toisiaan ja
kyselevät huolestuneena toistensa vointia ja toimeentuloa.
Mutta portti avataan ja kansa pääsee sisään. Kirkkoon menemättä
hän kuitenkin lähtee vaeltamaan luostarin pimeitä ja salaperäisiä
käytäviä. Käänteissä on aina siellä täällä pyhäin kuvia ja tuohukset
palavat niiden edessä. Kirkon edustalla tuolla on tuohusten myyjä ja
hänelle juolahtaa mieleen omituinen ajatus: hän menee ja ostaa
suuren tuohuksen, niin kalliin, että munkki katsahtaa häneen
hämmästyneenä. Sitten hän kunnioittavasti lähestyy pyhän neitsyen
kuvaa ja sytyttäen kynttilänsä kiinnittää sen palamaan muitten
joukkoon. Hänelle, sille eräälle, hän tämän tuohuksensa pyhittää,
hänen onnelleen virittää sen palamaan siihen Jumalan äidin
suopeaan suojaan ja varjelukseen. Hauska tunne mielessään lähtee
hän taas kulkemaan pitkin hämyisiä käytäviä.
Hän ei myönnä itselleen, että hän ikäänkuin salaisesti toivoo jollain
merkillisellä tavalla saapuvansa sinne torniin, jossa muka olisi se
kammio, jossa… Hän ei ajattele ajatusta loppuun, vaan kulkee
edelleen peläten kumisevia askeleitaan ja uteliaasti kurkistaen
jokaiseen haarakäytävään. Väliin sieltä ovi aukeneekin ja askelia
kuuluu; hän säpsähtää ja jää seisomaan, mutta tulija onkin munkki,
joka katsahtaa häneen uteliaasti ja menee tiehensä hänestä sen
enempää välittämättä. Hän ihmettelee keski-aikaisia maalauksia
käytävän seinissä, sitä naivia käsitystä, mikä niistä ilmenee
erittäinkin mitä tulee saatanan puuhiin ja vimmaan kristityssä
maailmassa. Hän katseli hämmästyksellä suunnattomia
kivilohkareita, joista muuri oli rakennettu ja mietiskeli sitä
uskonvoimaa, joka oli tehnyt aikoinaan tämän merkillisen paikan
synnyn mahdolliseksi…

Messu, joka äsken vielä oli kohissut valtavana käytävissä, oli nyt
vaimennut jonkin käänteen taa, jonka sivu ääniaallot eivät enää
päässeet. Hän aikoi jo kääntyä takaisin, sillä holvissa ei enää ollut
niin valoisaa kuin äsken, koska tuohuksia ei ollut täällä päin niin
tiheässä. Mentyään vielä pari askelta eteenpäin näki hän käytävän
hiukan laajenevan ja sen toisesta päästä hämärästä alkavan ahtaan
portaan. Sitä siinä katsoessaan kuuli hän askeleita. Se oli isä Agafon,
hänen äskeinen kertojansa. Messussa oltuaan oli hän lähtenyt
etsimään vierastaan.
— Nuo portaat eivät vie mihinkään salaperäiseen huoneeseen,
sanoi hän hymyillen, arvaten vieraansa ajatukset ja niistä näin
hiukan pilaa tehden.
Hän pyysi munkilta jatkoa tämän kertomukseen, mutta turhaan.
— Nyt on teidän levättävä ja minunkin, sen verran kuin Jumala
suo.
Ehkä pian alkavan päivän iltana taas…
* * * * *
Siinä, missä luostarin käytävästä ahtaat portaat vievät ylös
tornikammioon, pyysi streltsien päällikkö ritarilta pois miekkaa, jonka
tämä aikaisemmin oli taas haltuunsa saanut, suopeasti ja surullisesti
hänelle puhuen ja allapäin hänen edessään seisoen. Mutta
ennenkuin vaikeneva ritari ehti antaa hänelle aseensa, kuului
käytävästä heidän takaansa ankaraa melua ja huutoa sekä outoa
puhetta, jota ei voitu ymmärtää. Kaikki kääntyivät kummastuneena
sinne katsomaan, kun jo samalla näkivätkin asian. Ritarin palvelija,
lyhyt, mutta harteikas ja väkevä asemies, joka oli jäänyt isäntänsä
kanssa luostariin, oli nähnyt ritaria vietävän ja aavistaen pahaa

pyrkinyt hänen jälkeensä. Mutta streltsit olivat silloin rientäneet
häntäkin kiinni ottamaan, jolloin käytävässä oli syntynyt ankara
kilpajuoksu. Sadatellen kielellä, jota karjalainen rahvas ammoin on
kutsunut lapiksi ja joka on Ruotsin tshuhnain kieltä, tämä asemies
kiukkuisesti poisteli kimpustaan hääriviä streltsejä, väläytellen lyhyttä
tikariaan, joka oli terävä vain laidasta ja jota streltsit näyttivät kovin
pelkäävän. Näin saapuivat he ritarin luo, joka toinen jalka portailla oli
kääntynyt menoa katsomaan. Vihdoin puhui hän miehelleen jotakin,
joka näytti tekevän hänet murheelliseksi, sillä hän luopui nyt
vastarinnasta ja antoi pois aseensa. Sitten ritari pyysi saada
asemiehensä mukaansa vankilaansa, johon päällikkö hiukan
epäröityään suostuikin. Hitaasti nousivat he portaita ylös, asemies
uudelleen puhjeten ankaroihin kirouksiin ja pudistaen nyrkkiä
taakseen.
Hetken kuluttua palasi streltsien päällikkö takaisin kädessään suuri
ja raskas avain, jolla hän oli sulkenut vankinsa kammioon, ja kun
hän oli laskeutunut jälleen luostarin käytävään, seisoivat siinä hänen
edessään Antonii ja hymyilevä Moskovan pajari; muut miehet olivat
poistuneet kokonaan, ja käytävän mutkan takaa kuuntelevaa ja
kurkistelevaa ei nähty. Päällikkö silloin, kun pajari ehätti ahnaasti
ottamaan häneltä avainta, teki synkästi kieltävän eleen, antaen
avaimen Antoniille, joka vaieten otti sen vastaan. Ja sitten seisoivat
he siinä kolmin, Antonii miettiväisenä, päällikkö alakuloisena, mutta
pajari hiljaa itsekseen vihellellen ja levottomasti vilkuillen. Ja
enempää puhumatta he sitten kaikin kolmin lähtivät hitaasti
tiehensä.
Mutta näihin aikoihin aukeni meri kokonaan, yöt ja illat valkenivat
ihmeellisesti ja aurinko alkoi viipyä yhä kauemmin taivaalla, kunnes
se ei enää sanottavasti taivaan rannan alla käynytkään. Vesilintujen

parvet palasivat, meri alkoi elää ja kalat leikkivät pyytömiehen
veneen keulan edessä. Lehti tuli puihin, ruoho autioille
saarillemmekin ja kaikkien rinnat täytti ihmeellinen kaiho ja auvo,
ikäänkuin Jumalan tulemisen ja armon aavistus. Talvinen työ vaihtui
kesäisiin, mieli suunnitteli kaunista tulevaisuutta ja tuntui kuin olisi
erikoinen armon ja valvomisen kirkkaus vuotanut pyhän
monasterimme yli. Näihin aikoihin levisi vihdoin tieto monasterissa,
että Shuiskin lähetti oli matkustanut seurueineen tiehensä, milloin ja
miksi salaa, sitä ei tiedetty. Synkkänä ja vaitiollen käveli sen jälkeen
Antonii huoneessansa, rukoillen alinomaa ja vartoen ratkaisua
monasterin kohtalolle. Parempi olisi ollut, että Moskovan pajari olisi
saanut viedä ritarin mukanaan. Mutta sitäpä ei voitu sallia, sillä siellä
etelässä olivat Shuiski ja Ruotsi edelleen liittolaisina. Antonii tahtoi
yhäkin jättää ruotsalaiset epätietoisiksi vastauksestaan ja siten
viivyttää Karjalan luovuttamista siksi, kunnes liittolaiset riitautuisivat.
Siihen saakka ei kukaan elävä sielu saanut aavistaa Shuiskin
salaisesta lähetystöstä ja siksi täytyi ritarin olla kadonneena.
Ja tämä aika oli kovin omituista ja vaati pyhän monasterimme
johtajalta tavatonta viisautta ja kaukonäköisyyttä. Sillä kun ruotsit
eivät saaneet meiltä selvää vastausta esitykseensä Karjalan
luovuttamisesta, niin he, vaikka etelässä olivatkin tsaarimme
liittolaisia, täällä pohjoisessa tulivat suurin joukoin rajan yli ottamaan
maata haltuunsa, kansan paetessa edestä kaikkialta. Ja vastaukseksi
tähän karjalainen rahvas vastoin tsaarimme liittoa ja Antoniin tahtoa
teki sotaretken Ruotsin puolelle rajaa, siten selvästi osoittaen, ettei
se halunnut siihen liittyä eikä sen alamaiseksi tulla. Ja tapahtui tämä
kaikki siihen aikaan, jolloin etelässä ruotsalaiset tsaarimme auttajina
ja pelastajina marssivat Moskovaan, eli vuonna 1610.

Koskaan ei ole ollut Karjalan kansalla sellaista tilaisuutta yhtyä
Ruotsiin kuin näinä vuosina, liittyä omaan heimoonsa ja jälleen
saada haltuunsa Pohjanlahdesta Valkeaan mereen, Ääniseen,
Laatokkaan ja Suomenlahteen saakka ulottuva heimonsa yhtenäinen
alue. Myöntää täytyy, että tämä olisi ollut heille maalliselta ja
ihmisjärjen kannalta luonnollista ja toivottavaa, sillä olisivathan he
siten päässeet muodostamaan yhtenäisen ja voimakkaan,
kansallisesti eheän alueen, josta mahdollisesti olisi voinut koitua
pohjan perille voimakas valtio, ainoa, minkä tshuhnat siten olisivat
tulleet muodostaneeksi. Sillä vaikka he ovat muinoin olleet voimakas
kansa, joka on asuttanut laajat alueet koko pyhää Venäjän maata,
niin eivät he silti ole jaksaneet mitään pysyväistä rakentaa, vaan ovat
synkkinä, eripuraisina, kiivaina ja pitkävihaisina, koskaan yhteis-etua
ymmärtämättä sulautuneet muihin kansoihin ja tulleet heidän
orjikseen. Niinpä ei nytkään, kun heillä taas olisi ollut tilaisuus
heimoonsa yhtyen voimakkaasti käydä luomaan omaa alueellisesti
yhtenäistä valtakuntaa, tästä mitään tullut, sillä Jumala ei sitä
sallinut, kun he eivät olleet sitä ansainneet. Eivät, vaan sokeasti
tekivät he silloinkin ryöstöretkiä toistensa alueille, veljiensä vainioille,
vaikka heidän hallituksensa aivoituksen mukaan olisi tullut olla
liittolaisia.
Ja Jumalan tahdon ja tarkoituksen näki siitäkin, että Ruotsilla ei
ollut ainoatakaan viisasta ja kaukonäköistä miestä täällä
peräpohjolassa valvomassa valtakuntansa etuja, ei ainoatakaan
todella tarmokasta henkilöä, joka olisi ymmärtänyt maansa
hallitukselle valaista, mistä oli kysymys ja voimalla panna
aikomuksiaan toimeen. Ei, vaan juuri oikeauskoisen kirkon ja pyhän
Venäjän asiaa valvomaan täällä oli Jumala asettanut viisaita ja
kaukonäköisiä henkilöitä, jotka tarkoin ymmärsivät, mikä merkitys
kaikilla näillä asioilla saattoi olla ja jotka voimainsa mukaan ja

itsenäisesti, kysymättä valtakunnan päämiesten lupaa tai kieltoa,
ajoivat asian niinkuin sen luoja heille osoitti, mistä kaikesta
monasterille tulee ikuinen ansio Jumalan yhä suuremmaksi
kunniaksi.
Niin jatkui tällaista epävarmuuden aikaa, kunnes etelässä
liittolaiset riitautuivat ja monasterimme silloin, tarvitsematta enää
pelätä tekevänsä vastoin tsaarin tahtoa, selvästi ilmoitti kantansa,
hyläten kaikki vihollisten vaatimukset. Ja tekivät ruotsalaiset vuonna
1611 suuren sotaretken monasteriamme vastaan, saapuen Kusovoin
saarelle saakka ja vaatien monasterilta paljon. Mutta Antonii hylkäsi
heidän vaatimuksensa luottaen muurien lujuuteen ja miestensä
uskollisuuteen, ja täytyikin vihollisten mennä tyhjin toimin tiehensä.
Vihdoin hän ajoi asiansa hyvään loppuun siten, että valtakunnasta
välittämättä ja käyttäen kaikkia edullisia tilaisuuksia hyväkseen, teki
Kajaanin ja Oulun käskynhaltian Haren kanssa erikoisrauhan, jossa
raja jätettiin entiselleen ja monasterille tunnustettiin oikeus Karjalaan
kuten ennenkin. Hyvin oli siis Jumala auttanut ja monasterimme
selvinnyt ajan myrskyistä, joihin vahvemmatkin olisivat voineet
hukkua.
Mutta kaksi pitkää vuotta oli ritari Grijp asemiehensä kanssa jo
virunut vankilassaan, ja tarjosi hänen kohtalonsa kuvan mitä
suurimmasta inhimillisestä kurjuudesta. Alkuaikoina saattoi hän yltyä
raivoamaan ja takomaan muurien kiviä nyrkeillänsä, niin että veri
vuosi hänen käsistänsä, sitten äkkiä raueten viikkoja kestävään
sanattomaan, syvään, lohduttomaan epätoivoon, jota hänen koruton
ja uskollinen palvelijansa turhaan koetti lievittää. Väliin hän taas
vaipui hempeämielisyyteen, muistellen nähtävästi kotimaataan ja
hellästi suudellen jotakin kaulavitjoissaan kantamaansa esinettä.
Väliin mainitsi hän surulla ja epätoivolla erään naisen nimeä,

haaveillen puhellen hänestä harvasanaisen asemiehensä kanssa.
Mutta oli kaikki tämä hänen käytöksensä sellaista, joka on hyvälle
sydämelle ja inhimilliselle luonnolle kunniaksi, ei pelkuruudesta eikä
raukkamaisuudesta johtuvaa. Ja oli meille monasterin muutamille
veljille, joille heidän vartioimisensa oli uskottu, omituista nähdä,
kuinka kuukausien kuluessa jonkun naisen muisto, maallinen rakkaus
ja lemmityn olennon kaipuu niin täytti miehen koko olemuksen, että
sen todistajana oleminen olisi saattanut koitua kiusaukseksi niille,
joille se on kiellettyä. Sillä kaikesta näki, että suurimmassakin
epätoivossa ja tuskassa tuo tunne sittenkin oli hänelle suloinen ja
virkistävä, niin että ihmetellen saattoi kysyä tämän asian —
rakkauden — salaisuutta, kun se näytti tuottavan miltei Jumalan
armon kaltaista lohdutusta.
Mutta pian saattoi huomata, että hyvästä ravinnosta huolimatta
vankila rupesi pahoin vaikuttamaan ritarin terveyteen, jolloin Antonii
salli hänen päästä yhä sopivampaan asuntoon. Mutta kuta
pitemmälle aika kului, sitä selvemmäksi kävi, että ritarin terveys oli
kokonaan murtunut, niin että kun Antonii vihdoin ilmoitti hänelle,
että hän oli vapaa lähtemään monasterista milloin tahtoi, koska ei
ollut väliä sillä, mitä hän saattoi tai tahtoi kertoa, ei hänestä
ollutkaan enää lähtijäksi, vaan häätyi hän sairasvuoteelle.
Ja alkoi nyt murheellinen aika hänelle ja hänen hoitajilleen. Jumala
tietää, että vaikka hänen kohtalonsa olikin surullisin mitä ihminen
ajatella saattaa, ja vaikka ei voisikaan hyväksyä sitä menettelyä,
minkä uhriksi hän joutui, niin silti ei voi kukaan sanoa, ettei olisi
osoitettu hänelle kristillistä rakkautta hänen sairautensa ja viime
hetkiensä aikana. Ei mennyt aamua eikä iltaa, ettei Antonii olisi
murheella hänen voinnistaan tiedustellut ja häntä rukouksiinsa
sulkenut, ja mitä Antoniin sihteeriin tulee, niin hän sekä streltsien

päällikkö, joka oli hurja ja raaka sotilas, olivat vieraaseen
harvinaisella ja oudolla rakkaudella sekä säälillä kiintyneet. Mutta
hänen oma asemiehensä, tuo juro ja harvasanainen tsuhna, oli kuin
koirista uskollisin isäntänsä vuoteen ääressä. Ei häntä saatu
sanottavasti siitä väistymään eikä hän lauhtunut ystäväksi
kenellekään, vaan kyräsi jokaiselle rajattomassa epäluulossaan. Ja
kun ritarille koetettiin antaa lääkettä hänen tuskainsa lievikkeeksi,
hän nähtävästi kielsi isäntäänsä sitä nauttimasta, epäillen
myrkytystä. Yön keskellä saattoi kuulla tämän raa'an sotilaan
haastelevan sairaalle ritarille kuin lapselleen ja puhkeavan väliin
sokeisiin sadatuksiin ja hampaittensa kiristykseen. Varma voi olla,
että kostoa hautoi tuo mies erotuksetta meille kaikille, huolimatta
siitä miten olimme hänen isäntäänsä kohdelleet, kostoa sitä
kauheampaa, kuta voimattomammaksi hän tunsi itsensä täällä
keskellämme yksinänsä. Ei pidä kostaa, on Jumalan laki, mutta ei voi
tätä miestä tuomita, sillä hänen tunteensa oli luonnollinen, aikeensa
ja tahtonsa mahdottomuuteensa nähden liikuttava.
Näitä aikoja ajatellessa ja muistellessa tulkoon mainituksi sekin,
mikä aina on salaisuutena ollut, mutta jonka tulee olla nyt tiettyä
siksi, että ymmärrettäisiin Jumalan kaikkivoivan rangaistuksen ja
oikeamielisyyden vanhurskaus, nimittäin että tuo streltsipäällikkö,
joka niin omituisesti oli ritariin kiintynyt ja uhrautui hänen
hoitajakseen, oli itse Antoniin poika. Antonii ei ollut aina ollut hengen
mies, vaan sotilas ja ritari, vaikkakin hänen elämänsä tapahtumat
olivat saaneet hänet rautapaitansa hylkäämään. Mitä ne tapahtumat
olivat olleet, sitä ei kukaan tiedä, sillä itse hän ei koskaan puhu, aina
vain vaieten, mutta poikaansa hän edelleen rakastaa ja käyttää
häntä salaisimmissa toimissaan; tätä hän ei ollut voinut salata
nuorelta sihteeriltään, joka oli monesta seikasta päässyt asian perille.

Tämä olkoon mainittu siksi, että paremmin ymmärrettäisiin se, mitä
nyt aion kertoa…
Se oli synkeimmän syksyn aikaa se, jolloin nuori ritari Grijp
vuosien perästä erosi tästä elämästä. Meri oli jo jäätynyt ja raivosi
mitä kauhein lumimyrsky, joka kietoi monasterin vinkuvaan
valkovaippaansa. Koleat henkäykset tuntuivat pitkin kylmiä käytäviä
ja väristen syventyivät isät rukouksiinsa. Kaukaa meren ulapalta
saattoi kuulla kumeata ryskettä, kun siellä myrsky armotta kasaili
jäitä päästäkseen kannettomien syvyyksien päälle riehumaan. Ritarin
vuoteen pääpuolessa lekutti kaksi tuohusta levottomasti aivan kuin
odottaen hengen vapautumista, jalkapäässä istui asemies pää käsiin
vaipuneena, kauempana varjossa, oven suussa, oli streltsi-päällikkö
miekan kahva kuin ristinä edessään ja uunin ääressä istui vielä eräs
nuori munkki. Ritari huohotti hiljaa, hänen silmänsä loistivat ja hän
tuntui haaveilevan itsekseen outoja asioita. Tuon tuostakin leyhähti
huoneessa kylmä viima ja ulkoa kuului myrskyn rytinä, kun se kiihtyi
jotakin repimään ja monasterin pihalla kasvavia hentoja puita
nöyryyttämään. Ah, luoja oli antanut tänä iltana luonnossa pahalle
vallan.
Mutta silloin, keskellä hiljaisuutta, kuului oven narahdus ja kaikki
aivan säpsähtivät nähdessään Antoniin keskellä huonetta. Ketään
katsomatta seisoi hän siinä vuoteeseen kääntyneenä, kädet ristissä
rinnoilla, syviin mietteisiin vaipuneena. Kukaan muu ei liikahtanut
kuin asemies, joka Antoniin nähdessään tuntui varustautuvan kuin
kissa saaliinsa niskaan hyökkäämään. Koskaan ei saata ihmissilmissä
selvemmin kuvastua viha, inho, katkeruus, koston halu ja tuska kuin
hänen silmissään, kun hän siinä ikäänkuin ruumiinsa joka säijettä
jännittäen tuijotti arkkimandriittiin, jota piti kaiken onnettomuuden
alkuna. Oven suussa streltsien päällikkö sen myös huomasi ja aivan

hiljaa varustausi jonkun äkillisen liikkeen varalle. Huomasi tämän
vihan katseen Antoniikin, katsahti mieheen kylmästi, mutta siirsi
sitten katseensa jälleen sairaaseen. Ja taas oli huoneessa hiljaista,
niin hiljaista ja tuskallista, että sydän kutistui kokoon ja henkeä
tuntui ahdistavan. Silloin rupesivat Antoniin huulet liikkumaan ja hän
meni vaieten vuoteen ääreen, tarttuen ritarin käteen. Ja ihmeissään
tämä toipui tajuihinsa katsoen kummastellen häneen ja ympärilleen.
Ja silloin Antonii puhui hänelle:
— Anna minulle anteeksi, nuori mies — niin puhui vanha pappi —
menetetty elämäsi ja kuolemasi. Koetin sinua pelastaa ja
murhaajalta pelastinkin sinut, mutta sen sijaan vei sinut tauti.
Minulla on ollut suuria velvollisuuksia täytettävänä ja luulin parhaiten
tekeväni. En tiedä. Sydämeni halajaa anteeksi-antoasi.
Tähän hän vaikeni, sillä hän huomasi, ettei ritari häntä oikein
ymmärtänyt. Hän meni ovelle ja saattoi sisään veljen, joka
valmistautui antamaan kuolevalle pyhää ehtoollista. Vaikka hän
kuului väärä-oppiseen kirkkoon, oli hän osoittanut niin vilpitöntä
sydäntä ja Jumalan pelkoa, että Antonii oli käskenyt suoda hänelle
ehtoollisen. Ja ritari selveni ymmärtämään kaikki, ymmärsi Antoniin
tarkoituksen, hänen anteeksi-pyyntönsä ja koetti surumielisesti
hymyillen ojentaa hänelle kättänsä, jolloin Antonii siunasi hänet. Eikä
ollut huoneessa ketään, jota ei liikutus vallannut. Mutta kun pyhä
toimitus oli tehty, vaipui ritari taas hourailuun. Oudolla kielellä hän
puheli hiljaa ja asemies hänen vierellään kuunteli tarkoin. Vihdoin
hänen äänensä rupesi heikkenemään, kunnes hän taas vaikeni.
Kauan aikaa kuului hänen vaikea ja huohottava hengityksensä,
kunnes hän äkkiä sanoi selvällä äänellä sen naisen nimen, josta hän
niin paljon vankeutensa aikana oli puhunut. Se oli kuin viime
huokaus, sillä sitten hän kuoli asemiehen syliin…

Jumala tietää, että veljemme antoivat hänelle saman hautauksen
kuin uskollisimmalle omistamme, kolmella lyönnillä suureen kelloon
ilmoittaen kanssaveljen kuoleman. Hänen jäännöksensä kannettiin
ylösnousemuksen kirkkoon, jossa hänelle pidettiin sielumessu, ja
hänet haudattiin siunattuun maahan kaikkien kirkonkellojen soidessa
ja isien rukoillessa rauhaa pois menneen sielulle. Mutta kun
hautajaiset oli pidetty, kutsui Antonii asemiehen luokseen, antoi
hänelle turvakirjan ja saattoi hänen tietoonsa, että hän oli vapaa
lähtemään kotimaahansa. Streltsien päällikkö, jonka hän lähetti
samalla viemään viestiä Kemiin, opastaisi hänet yli meren sinne ja
sieltä hän kyllä löytäisi turvakirjansa avulla tien omalle maalleen.
Oli harmaa talvinen päivä, kun he lähtivät. Meri oli tyytynyt
kohtaloonsa ja uinui hiljaa valkean peitteensä alla. Päivä muuttui
pian hämäräksi ja pimeäksi, jota vain kylmät tähdet valaisivat.
Taakseen katsomatta hiihti synkeässä vihassaan ja surussaan
asemies streltsin perässä ja pian häipyivät he ulapan hämyyn, josta
vain suden ulvonta silloin tällöin kaukaisena ja kammottavana kuului.
Kului päiviä, eikä ruvennutkaan kuulumaan streltsiä takaisin.
Levottomana lähetti Antonii miehiä menneiden jälkiä seuraamaan ja
kauas ei tarvinnutkaan ulapalle mennä, ennenkuin täydelleen selvisi,
miksi ei lähetti palannut: hänet löydettiin jäältä, osaksi sutten
raatelemana, mutta suuri yksiteräinen tikari kahvaa myöten
sydämeen lyötynä. Se oli ollut kuoleman syy ja asemiehen
leppymätön käsi oli sitä kulettanut, sillä ase tunnettiin hänen
omakseen. Sammumaton kostonjano oli vaatinut hänet jotakin
tekemään. Ja jos hän Antoniille kostaa tahtoi, niin ei hän kipeämmin
sitä olisi voinut tehdä.

Selvästi saattoi nähdä, miten kaikki oli tapahtunut. Heti kun oli
päästy monasterin ulottuvilta ja kuuluvilta, oli asemies takaa
hyökännyt streltsin kimppuun ja iskenyt häntä puukollaan. Isku oli
tosin luiskahtanut pois sotilaan olkavarustuksesta, mutta
äkkiarvaamattomuudellaan kuitenkin aiheuttanut sen, että hän oli
kaatunut selälleen. Ja silloin oli mies käyttänyt tilaisuutta hyväkseen
ja iskenyt pitkän ja kamalan aseensa ihan kahvaa myöten toisen
sydämeen, niin että tämä oli varmasti siitä heti kuollut. Kiireesti oli
hän sitten lähtenyt hiihtämään eikä hänestä ole koskaan sen jälkeen
mitään kuultu. Hienoimman tuoksun hänen kostostaan kielsi Jumala
häneltä siten, ettei antanut tietää, että streltsi oli Antoniin poika.
Se oli kauhea hetki, jolloin sana tapahtumasta saatettiin
monasteriin. Kuin jäykistyneenä ja jähmettyneenä kuunteli sitä
Antonii, käyden entistäkin kalpeammaksi, mutta muuta näkyväistä
surua hän ei osoittanut, sillä hän oli tottunut luottamaan siihen, että
kaikella on Jumalan kädessä merkityksensä ja tarkoituksensa. Hän
muuttui aivan äänettömäksi, vain entistä enemmän syventyen
rukouksiinsa. Väliin saattoi huomata hänen taistelevan ankaria
sisällisiä taisteluja ja katkonaisista huudahduksista voi otaksua
sitäkin, että hänessä oli herännyt epäilys, oliko hän menetellyt oikein
ja oliko monasteri sekautumalla maalliseen vallanhimoon toiminut
kutsumuksensa ja oikean tehtävänsä mukaisesti. Oliko Luoja
käyttänyt tätä ankaraa keinoa hänen herättämisekseen ja
mahdollisesti tuon seikan valaisemiseksi, että Karjalan heimon
etsikko-aikaa ei olisi pitänyt sittenkään mahdottomaksi tehdä. Kuinka
hyvänsä, hänen sihteerinsä, joka alamaisesta ja kuuliaisesta
mielestään huolimatta ei koskaan voinut unohtaa tshuudilaista
syntyperäänsä ja joka Antoniin oppilaana oli oppinut ymmärtämään
heimonsa asioita ja tulevaisuutta toisin kuin he itse, tuli usein
hiljaisessa mielessään asiaa tältä kannalta ajatelleeksi.

Salainen suru ja tuska rupesi tämän jälkeen Antoniita jäytämään,
kunnes hän pian kuoli, vuonna 1612. Kohta koittivat sitten
monasterille onnettomuuden ajat, kun starovertsien riidat pääsivät
sielläkin raivoamaan. Tammikuulla monasteri valloitettiin ja kaikki,
jotka siellä tavattiin ase kädessä, surmattiin. Kauhea oli silloin tila
pyhässä paikassa. Monasterin maallinen mahtavuus silloin myös
suureksi osaksi hävitettiin, mutta sitä enemmän se loisti hengellisellä
kirkkaudellaan…
Mutta silloin, kun streltsi surmattiin, oli suru luostarissa vilpitön.
Pyhät isämme osoittivat kunnioitusta hänen ja väärä-uskoisen
harvinaiselle ystävyydelle sillä, että hautasivat heidät vierekkäin.
Olivathan he molemmat saman aatteen uhreja, joten senkin vuoksi
sopivat vierekkäin lepäämään. Ja Antoniin käskystä pystytettiin
haudalle suuri risti, kuin monakoille ikään, joihin hän monakkojen
tapaan käski kirjoittaa sen, että siinä lepäävät olivat syntymisestä
loppuunsa saakka olleet nuhteettomia ritareja ja risteinsä kantajia,
jotka olivat siirtyneet toiseen elämään Vapahtajansa ansiotekoihin
turvaten.
Ja tämän kaiken on tahtonut jälkimaailman tietoon säilyttää se,
joka salaisesti on kaikkien tapahtumien todellisesta syystä päässyt
selville, sekä haluaa, että tekojen vaikuttimet oikein tulkittaisiin.
Suokoon Jumala meidän aina oikein tehdä ja hänen tahtonsa
todellinen tarkoitus toteuttaa. Amen.
* * * * *
— Mistä tiedät, isäseni, tämän kaiken, sillä monasterin kronikassa
siitä ei kerrota muuta kuin mitä on todella historiallista, se, mitä nyt
olet Antoniin ja monasterin politiikasta yleensä kertonut?

Vanhus hymyili omituisesti.
— Vanhat muurit kerran juttelivat, sanoi hän. Luostari on satoja
vuosia vanha, sen painettu kronikka vähäpätöinen. Kuka tuntee
kaiken sen, mitä täällä on tapahtunut? Eivät teidän historioitsijanne,
joille vanhat paperimme antaisivat paljon uusia tietoja ja valaistusta.
Mutta ne on viety pois.
Ilta oli taaskin, mutta nyt kolea ja sateinen. Vesi valui pitkin
ruutuja, meri oli vaahtopäänä ja monasterin muureista tiukkui
kosteus. Munkit vaelsivat allapäin ja pyhiinvaeltajat olivat alakuloisia.
Mielen valtasi tyhjyys ja alakuloisuus.
— Sano, isäseni, kuinka jaksatte ja voitte täällä elämänne viettää?
Ettekö masennu ijankaikkisesti ja halaja kuolemaa?
Vanhus nousi ja teki ristinmerkin.
Tuntui sitten kuin olisi hän aikonut vastata jotakin, mutta ei
sanonutkaan mitään, vaan lähti vaieten huoneesta.

MURHISAARI.
      Oi Ukko, ylinen herra,
    Taivahallinen Jumala,
    Tuo kerta rajalle rauha…
I.
SAVU SUITSUVI VAARAN LAELTA…
Siinä missä mäen rinne aukeni puuttomaksi, ikäänkuin
katsoakseen etelään päin, ja missä se aivan kuin huvikseen oli
ottanut ruohoa, jopa kukkasenkin sinne tänne houkutellut, siihen oli
Vaaralan Antti heittäytynyt kyljelleen puolipäivän helteeseen. Siitä oli
sopiva tuohon mäen alle aholle vartioida ja kuulostaa, siitä huuto
kaikuvana lennähti kellokkaan kuuluville, jos se milloin läksi
ulottuvilta kaikkoamaan, ja siinäpä aurinko hauskimmin lämmitti ja
tuulen henki itikat kauas karkoitti. Ruohon korsi suupielessä,
kairalakki hiukan otsalla, hikihelmet nenän varrella siinä Antti
virkaansa valvoi. Alhaalla neljä lehmää ahnaasti haukkasi mehevää
ruohoa ahon viileässä varjossa. Ilmassa oli kauniin kesäpäivän tuntu
ja helle, ja autere verhosi etäiset siintävät vaarat verhoonsa.

Antti oli Vaaralan nuori isäntä, ja oli nyt paimenena, koska kontio
oli edellisenä päivänä jättänyt kynsiensä merkit parin peninkuorman
päässä olevan Rasin talon hiehon selkään. Siksi oli hänet pantu
paimeneen, karjan turvaksi, annettu jousi ja keihäs mukaan, sekä
varoitettu kovin tarkoin pitämään huolta karjasta. Ja itsestä eniten,
oli nuori Helena-emäntä huolestuneena aamulla sanonut, kun oli
noussut lämpimältä taljalta ja miestään kujalle saatellut. Kun hän
vielä metsän reunassa oli kääntynyt takaisin katsomaan, niin oli
Helena yhä seisonut kujalla ja silmiään varjostaen katsonut hänen
jälkeensä. Hän oli hymähtänyt Helenan huolille ja puristanut keihään
vartta niin että sormet olivat punoittaneet; voimaa oli vaikka
muillekin antaa.
Antti oikaisihe siinä loikoessaan aivan pitkin pituuttaan. Jäntevä
vartalo pinnistyi hetkiseksi kuin jousi retkahtaen sitten veltoksi,
jolloin veri lähti kuin uutena elämänä virtaamaan pitkin hienointakin
tiehyettä. Kohosi sitten pystöön ja antoi katseen harhailla kauas
etäisyyteen. Tuolla siinti kaukana kotivaara autereen verhossa; suuri
koivu kohosi upeana pirtin perästä ja terävä silmä saattoi kuvitella
näkevänsä kaivon vintinkin. Harmaaksi haalistuneet, neliöön
nurkitusten rakennetut, pyöreähirsiset asuinrakennukset ja aitat
melkein häipyivät näkymättömiin, autereen väräjöintiin upoten ja
värillään yhtyen. Tuosta kotivaaran ja Meriläisvaaran välistä siinti
vilahdus Haukiperää, joka kaareutui tänne aivan lähelle, vaikka
metsä täällä esti näkemästä. Vain kalattoman kuikan, sydänmaan
lampien ja järvien ylpeän asukkaan valittava huuto ilmoitti veden
olevan lähellä. Kun oli tyynenpuoleinen, yltyivät ne usein kimakkaan
yhteisvalitukseen, joka oli kuin hornan henkien huutoa, kamalaa
ihmisäänen kaltaisuudessaan.

Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.
More than just a book-buying platform, we strive to be a bridge
connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.
Join us on a journey of knowledge exploration, passion nurturing, and
personal growth every day!
ebookbell.com

Lowpower Computer Vision Improve The Efficiency Of Artificial Intelligence George K Thiruvathukal

About This Presentation

Slide Content

Tags

Categories

Download

Quick Actions

Statistics

Related Slideshows

Lowpower Computer Vision Improve The Efficiency Of Artificial Intelligence George K Thiruvathukal

About This Presentation

Slide Content

Slide 1

Slide 2

Slide 3

Slide 6

Slide 8

Slide 9

Slide 10

Slide 11

Slide 12

Slide 13

Slide 14

Slide 15

Slide 16

Slide 17

Slide 18

Slide 19

Slide 20

Slide 22

Slide 23

Slide 24

Slide 25

Slide 26

Slide 28

Slide 30

Slide 31

Slide 32

Slide 33

Slide 34

Slide 35

Slide 36

Slide 37

Slide 38

Slide 39

Slide 40

Slide 41

Slide 42

Slide 44

Slide 45

Slide 46

Slide 47

Slide 48

Slide 49

Slide 50

Slide 51

Slide 52

Slide 53

Slide 54

Slide 55

Slide 56

Slide 57

Slide 58

Slide 59

Slide 60

Slide 61

Slide 62

Slide 63

Slide 64

Slide 65

Slide 66

Slide 67

Slide 68

Slide 69

Slide 70

Slide 71

Slide 72

Slide 73

Slide 74

Slide 75

Slide 76

Slide 77

Slide 78

Slide 79

Slide 80

Slide 81

Slide 82

Slide 83

Slide 84