【摘要】：隨著2012年AlexNet的橫空出世,運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法逐漸成為了的圖像處理的熱門(mén)方向,并且已經(jīng)有許多實(shí)用部署。而包括當(dāng)前最主要的部署平臺(tái)GPU在內(nèi)的各種神經(jīng)網(wǎng)絡(luò)部署平臺(tái)都存在各自的缺點(diǎn)。GPU功耗過(guò)高、價(jià)格昂貴;CPU計(jì)算能力難以使神經(jīng)網(wǎng)絡(luò)部署達(dá)到很好的效果;ASIC難以適應(yīng)當(dāng)前未完全成熟的神經(jīng)網(wǎng)絡(luò)模型的迭代更新。FPGA配置靈活,能夠提供強(qiáng)大的并行處理能力。但其相對(duì)GPU來(lái)說(shuō),存在浮點(diǎn)運(yùn)算能力相對(duì)較弱,開(kāi)發(fā)周期長(zhǎng)的缺點(diǎn)。本文針對(duì)FPGA的這些缺點(diǎn),提出一個(gè)針對(duì)XNOR算法的FPGA IP核實(shí)現(xiàn)方法,性能優(yōu)良。設(shè)計(jì)采用XILINX HLS方法,使得可移植性大大提高,降低了FPGA開(kāi)發(fā)周期。采用XNOR算法的神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)精準(zhǔn)度良好的情況下,使用單比特?cái)?shù)據(jù)對(duì)權(quán)重及輸入進(jìn)行表示。在大大降低其權(quán)重所需的存儲(chǔ)空間的同時(shí),使得運(yùn)算僅需要通過(guò)邏輯操作進(jìn)行。本文首先分析了卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中各種類(lèi)型層的計(jì)算步驟,并且分析了XNOR的算法實(shí)現(xiàn)及訓(xùn)練步驟。然后歸納了采用XNOR算法的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn),并提取了設(shè)計(jì)中的關(guān)鍵參數(shù)。最后設(shè)計(jì)了加速I(mǎi)P,獲得了與當(dāng)前主流加速器相當(dāng)?shù)男阅�。本文使用該方法通過(guò)XNOR的AlexNet對(duì)其有效性進(jìn)行驗(yàn)證。然后使用XNOR算法,對(duì)LeNet進(jìn)行改造,應(yīng)用在包含DSP與FPGA的硬件平臺(tái)上,以驗(yàn)證本設(shè)計(jì)方法的有效性及可移植性,取得了不錯(cuò)的效果。
【學(xué)位授予單位】：國(guó)防科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP332;TP183
【圖文】：

圖 1.1 各類(lèi)結(jié)構(gòu)網(wǎng)絡(luò) top-1 準(zhǔn)確率在圖像處理的另外一些重要任務(wù)中，神經(jīng)網(wǎng)絡(luò)也取得了比較大的進(jìn)展。如人臉中 DeepFace[5]算法，其為 FaceBook 提出的人臉識(shí)別網(wǎng)絡(luò)。其做法是先將輸入臉圖片進(jìn)行對(duì)齊，將對(duì)齊后的圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)中，在 LFW（Labeles in the Wild）上取得了 97.35%的準(zhǔn)確率。MTCNN 算法[6]則使用多個(gè)網(wǎng)絡(luò)共

圖 1.2 RNN 網(wǎng)絡(luò)結(jié)構(gòu)其運(yùn)算公式如下： = ( 1)其中 通常是非線性激活函數(shù)，用來(lái)增強(qiáng)模型的表達(dá)能力。x 是輸入

圖 2.4 多層感知機(jī)由于圖像存在局部相關(guān)性。像素與周?chē)袼卮嬖诟鼮槊芮械年P(guān)系，而與其距離遠(yuǎn)的像素則關(guān)系較弱。卷積神經(jīng)網(wǎng)絡(luò)利用這種特點(diǎn)，進(jìn)行局部連接操作，神經(jīng)元輸入并不與整幅圖片進(jìn)行連接，而僅僅與圖片當(dāng)中一部分像素進(jìn)行連接。然后通共享權(quán)值的方式將一個(gè)神經(jīng)元的全連接計(jì)算轉(zhuǎn)變?yōu)樯窠?jīng)元在輸入圖片的滑窗操

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警仿真[J];計(jì)算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車(chē)削加工表面粗糙度預(yù)測(cè)[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時(shí)頻聯(lián)合長(zhǎng)時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計(jì)算機(jī)研究與發(fā)展;2019年12期

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

7 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(lèi)模型[J];信息技術(shù)與信息化;2019年02期

8 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

9 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(xué);2019年04期

10 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2760139