近年來,卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、語(yǔ)音識(shí)別及自動(dòng)駕駛等領(lǐng)域有了十分優(yōu)異的表現(xiàn),成為了一大研究熱點(diǎn)。然而,移動(dòng)設(shè)備領(lǐng)域存在計(jì)算能力及功耗的要求,使得采用圖形處理器（Graphics Processing Unit,GPU）完成卷積神經(jīng)網(wǎng)絡(luò)加速器的工作非常困難,更多是在云端完成后直接獲得結(jié)果。為了今后能夠在移動(dòng)端不過多增加成本和功耗的前提下,采用專用集成電路（Application Specific Integrated Circuit,ASIC）完成卷積神經(jīng)網(wǎng)絡(luò)加速器工作,減輕云端通信的負(fù)載,本課題提出了一種混合型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并在現(xiàn)場(chǎng)可編程門陣列（Field Programmable Gate Array,FPGA）上進(jìn)行了電路實(shí)現(xiàn),在保證準(zhǔn)確率的前提下,減少了大量乘法計(jì)算量,完成了卷積神經(jīng)網(wǎng)絡(luò)的硬件加速。本文的工作主要包括以下三點(diǎn):針對(duì)卷積層的復(fù)雜乘法運(yùn)算,將卷積神經(jīng)網(wǎng)絡(luò)中卷積層的浮點(diǎn)乘法運(yùn)算通過量化的方式轉(zhuǎn)變成簡(jiǎn)單的同或（XNOR）計(jì)算,保留卷積神經(jīng)網(wǎng)絡(luò)中原本的全連接層結(jié)構(gòu),從而在保障卷積神經(jīng)網(wǎng)絡(luò)有效識(shí)別率的前提下實(shí)現(xiàn)乘法資源的節(jié)約;針對(duì)卷積神經(jīng)網(wǎng)絡(luò)中卷積層的局部感受野特性,本課... 

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

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid激活函數(shù)曲線圖

Tanh激活函數(shù)曲線圖

ReLU激活函數(shù)曲線圖


本文編號(hào)：3085251