【摘要】：卷積神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于圖像識別、語音識別、人臉識別和語義分析等領(lǐng)域。其網(wǎng)絡(luò)結(jié)構(gòu)復雜,隱含層眾多,每層包含大量的乘累加運算,是一種計算密集型和資源占用密集型的網(wǎng)絡(luò)。FPGA比GPU功耗低,比ASIC靈活性高,是一種兼顧性能和功耗的硬件加速平臺。本文針對于卷積神經(jīng)網(wǎng)絡(luò)計算量大,功耗大的問題,基于FPGA平臺對卷積神經(jīng)網(wǎng)絡(luò)加速計算進行了研究。首先通過對卷積神經(jīng)網(wǎng)絡(luò)前向計算和反向傳播過程的研究,分析卷積神經(jīng)網(wǎng)絡(luò)的卷積層,采樣層和全連接層的計算過程。然后研究前向計算過程中的并行性,包括卷積窗口內(nèi)部并行,同一特征映射上卷積窗口間并行和不同特征映射上卷積窗口間并行。經(jīng)過分析卷積層、采樣層和全連接層的計算結(jié)構(gòu)的相似性后,提出將全連接層計算和平均采樣計算轉(zhuǎn)化為卷積層計算的方法,設(shè)計了一個包含卷積加速模塊和采樣加速模塊的通用計算單元,網(wǎng)絡(luò)的每一層復用此通用計算單元完成整個網(wǎng)絡(luò)的計算。本文研究的加速器的架構(gòu)是主機+控制器+FPGA通用計算單元,對卷積神經(jīng)網(wǎng)絡(luò)的前向計算過程進行加速,主機將圖片發(fā)給控制器,控制器調(diào)用加速單元計算并返回結(jié)果。實驗采用CIFAR-10數(shù)據(jù)集進行驗證,將相同的網(wǎng)絡(luò)結(jié)構(gòu)分別在CPU和FPGA平臺上計算,比較結(jié)果表明同等網(wǎng)絡(luò)結(jié)構(gòu)下,FPGA并行加速計算比CPU計算速度快,功耗低。
【圖文】：

- 42 -圖 4-3 并行組合和流水線示意Fig. 4-3 Combination structures of computational parallel and pipeline

4-4 同一個特征映射上卷積窗口內(nèi)部并行和卷積窗口間并行的組合的計算結(jié)構(gòu)仿Fig. 4-4 Simulation of the computational structure of the parallel combination圖 4-5 采樣模塊的實現(xiàn)Fig. 4-5 Implementation of pooling
【學位授予單位】：哈爾濱理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TN791;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預測法[J];金融經(jīng)濟;2017年18期

2 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學;2019年04期

8 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負荷預測研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U，

本文編號：2673524