發(fā)布時間：2023-06-04 03:22

　　近年來,遞歸神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN)在眾多人工智能領域都取得了優(yōu)異的成績。但大多數(shù)RNN模型對計算力的要求極高,無法部署在手機、嵌入式系統(tǒng)等移動設備上,這阻礙了RNN運用在生活化及商業(yè)化的領域,也是RNN應用于物聯(lián)網(wǎng)領域的技術(shù)瓶頸。低功耗的RNN加速器可以推動RNN在移動設備領域的運用,對物聯(lián)網(wǎng)的建設具有重大的意義。本文以低功耗RNN加速器為研究目標,創(chuàng)新性地提出了一種面向低功耗RNN加速器的動態(tài)精度近似計算策略,并完成了基于動態(tài)精度近似計算的低功耗RNN加速器設計。動態(tài)精度近似計算策略分為算法和硬件兩個層面。在算法層面,本文在網(wǎng)絡級、幀級、連接級三個不同層次上分別提出了網(wǎng)絡級分級量化策略、幀級精度自適應策略和連接級動態(tài)剪枝策略。在硬件層面,本文提出了近似乘法策略,使用基于近似加法的動態(tài)精度近似乘法器替代傳統(tǒng)乘法器�；趧討B(tài)精度近似計算策略的低功耗RNN加速器計算陣列由動態(tài)精度近似乘法器構(gòu)成,可拆分重構(gòu)為多種計算位寬的計算單元,擁有兩級計算精度可調(diào),并配置有多個不同功能的控制模塊以實現(xiàn)各層次動態(tài)精度近似計算控制。實驗證明本文所提出的動態(tài)精度近...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景
        1.1.1 RNN
        1.1.2 專用RNN加速器
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 設計內(nèi)容與指標
    1.4 本論文組織結(jié)構(gòu)
第二章 RNN介紹與分析
    2.1 RNN基本原理
        2.1.1 RNN前向算法
        2.1.2 典型RNN介紹
    2.2 RNN特性分析
        2.2.1 RNN參數(shù)特性分析
        2.2.2 RNN計算特性分析
    2.3 RNN容錯性分析
        2.3.1 RNN參數(shù)冗余性
        2.3.2 RNN數(shù)據(jù)特性
        2.3.3 RNN計算容錯性
    2.4 本章小結(jié)
第三章 面向低功耗RNN加速器的動態(tài)精度近似計算策略設計
    3.1 算法級動態(tài)精度近似計算策略設計
        3.1.1 網(wǎng)絡級分級量化策略
        3.1.2 幀級精度自適應策略
        3.1.3 連接級動態(tài)剪枝策略
    3.2 硬件級動態(tài)精度近似計算策略設計
        3.2.1 近似乘法方案介紹
        3.2.2 基于對數(shù)原理的動態(tài)精度近似乘法方案設計
        3.2.3 基于近似加法的動態(tài)精度近似乘法方案設計
        3.2.4 近似乘法方案對比分析
    3.3 本章小結(jié)
第四章 低功耗RNN加速器硬件架構(gòu)設計
    4.1 動態(tài)精度近似乘法器硬件設計
        4.1.1 近似加法器設計與實現(xiàn)
        4.1.2 動態(tài)計算位寬設計
        4.1.3 動態(tài)計算精度設計
        4.1.4 動態(tài)精度近似乘法器的實現(xiàn)與性能評估
    4.2 低功耗RNN加速器控制模塊設計
    4.3 低功耗RNN加速器架構(gòu)設計
    4.4 本章小結(jié)
第五章 性能驗證與分析
    5.1 動態(tài)精度近似計算策略驗證
    5.2 低功耗RNN加速器性能評估
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
作者簡介



本文編號：3830590