卷積神經網絡(Convolutional Neural Network,CNN)已經成為機器學習的一項重要技術。在移動平臺上,高能效對于CNN處理器來說至關重要,特別是在自動駕駛汽車、圖像識別和其他物聯(lián)網設備等能耗受限平臺。對CNN處理器功耗進行分解,其功耗主要來源于兩個方面:(1)數據訪問功耗;(2)乘累加計算功耗。在許多網絡模型上已經證明了二值化CNN網絡(Binarized Weight Network,BWN)有高能效和接近全精度的識別能力。本文主要研究適用于BWN網絡的新型矢量乘累加計算處理單元(Processing Element,PE)。論文主要工作包括:(1)總結了國內外提升CNN處理器能效的技術手段,重點分析了CNN中幾種處理單元設計技術�？紤]能效、面積等綜合指標和CNN的容錯性,選擇了模擬矢量乘累加計算這一在提升網絡能效方面具有很大優(yōu)勢的技術路線;(2)設計了存儲和計算一體化的壓控模擬乘累加計算單元,該計算單元提高了數據的復用率,減小了數據訪問的功耗和乘累加計算功耗,相比于數字電路乘累加計算單元,本文提出的乘累加單元的計算功耗降低了32.7%;(3)設計了一種抗工藝... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：63 頁

【學位級別】：碩士

【部分圖文】：

三個電壓動態(tài)調節(jié)波形圖

【參考文獻】：
期刊論文
[1]基于FPGA的脈沖神經網絡加速器設計[J]. 沈陽靖,沈君成,葉俊,馬琪.  電子科技. 2017(10)
[2]基于FPGA的卷積神經網絡加速器[J]. 余子健,馬德,嚴曉浪,沈君成.  計算機工程. 2017(01)



本文編號：2920278