發(fā)布時間：2021-07-11 13:35

　　卷積神經(jīng)網(wǎng)絡的高計算復雜性阻礙其廣泛用于實時和低功耗應用,現(xiàn)有軟件實現(xiàn)方案難以滿足其對運算性能與功耗的要求,傳統(tǒng)面向FPGA的卷積神經(jīng)網(wǎng)絡構(gòu)造方式具有流程復雜、周期較長和優(yōu)化空間較小等問題。針對該問題,根據(jù)卷積神經(jīng)網(wǎng)絡計算模式的特點,提出一種面向云端FPGA的卷積神經(jīng)網(wǎng)絡加速器的設計及其調(diào)度機制。通過借鑒基于HLS技術、引入循環(huán)切割參數(shù)和對卷積層循環(huán)重排的設計,采用模塊化方式構(gòu)造網(wǎng)絡,并進行參數(shù)拓展以進一步優(yōu)化加速器處理過程;通過分析系統(tǒng)任務和資源的特性總結(jié)調(diào)度方案,且從控制流和數(shù)據(jù)流兩方面對其進行優(yōu)化設計。與其他已有工作相比,提出的設計提供了一種同時具有靈活性、低能耗、高能效和高性能的解決方案,并且探討了加速器的高效通用調(diào)度方案。實驗結(jié)果表明,該加速器可在有效提高運算整速度的同時減少功耗。 

【文章來源】：計算機應用研究. 2020,37(01)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

典型卷積神經(jīng)網(wǎng)絡模型

b)池化層。池化層采取與卷積層類似的滑動窗口處理輸入數(shù)據(jù)，并對每個濾波器的輸入求最大值或平均值等�？紤]到不同網(wǎng)絡中卷積層和池化層的連接關系不同，將池化層以與卷積加速器相同的方式實例化為獨立加速器，來增強加速器對不同模型的適用性與可重構(gòu)性。采取與卷積層相同的加速器設計，由于池化層不改變輸入特征維度，所以只有一個特征維度參數(shù)，其參數(shù)定義與卷積加速器相同，如圖3所示。圖3 池化加速器模板

圖2 卷積加速器模板c)全連接層。通過分析CNN的特性得知，全連接層的計算相對于卷積層，區(qū)別僅在于減少了卷積核心內(nèi)部的循環(huán)操作，可將全連接層視為卷積層的一種特殊形式。因此，采用卷積層加速器進行全連接層的計算，可通過復用卷積加速器來節(jié)約硬件資源，提高加速器的計算效能，達到對資源的高效利用。

【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[2]Face recognition based on subset selection via metric learning on manifold[J]. Hong SHAO,Shuang CHEN,Jie-yi ZHAO,Wen-cheng CUI,Tian-shu YU.  Frontiers of Information Technology & Electronic Engineering. 2015(12)
[3]基于word embedding和CNN的情感分類模型[J]. 蔡慧蘋,王麗丹,段書凱.  計算機應用研究. 2016(10)



本文編號：3278195