隨著人工智能的快速發(fā)展,人們對(duì)其核心算法神經(jīng)網(wǎng)絡(luò)的研究越來越多,然而通用處理器已經(jīng)無法高效地滿足應(yīng)用需求。本文在對(duì)LeNet算法和AlexNet算法進(jìn)行逐層分析的基礎(chǔ)上,根據(jù)這兩種算法在執(zhí)行過程中的數(shù)據(jù)流都是進(jìn)行單向逐層傳遞的特征設(shè)計(jì)了一種基于NoC結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)加速器。該加速器采用帶寬和延時(shí)等性能均優(yōu)于網(wǎng)格結(jié)構(gòu)的環(huán)形拓?fù)浣Y(jié)構(gòu)。在結(jié)構(gòu)中設(shè)置16個(gè)資源節(jié)點(diǎn),分為四個(gè)橫向環(huán)和四個(gè)縱向環(huán),采用包交換機(jī)制進(jìn)行網(wǎng)絡(luò)上的數(shù)據(jù)傳輸,傳輸微片的位寬為130bits。在1GHz的仿真頻率下,加速器的理論峰值帶寬可達(dá)2080Gb/s。資源節(jié)點(diǎn)使用功能比較全面的處理器核心代替簡(jiǎn)單的功能處理單元,以提高該加速器的通用性。采用SystemC語言建立時(shí)鐘精確型模型,使用隨機(jī)激勵(lì)進(jìn)行仿真,對(duì)整個(gè)加速器網(wǎng)絡(luò)在不同注入率下進(jìn)行性能測(cè)試,統(tǒng)計(jì)各個(gè)節(jié)點(diǎn)所接收到的數(shù)據(jù)包數(shù)量及總延遲時(shí)間。根據(jù)LeNet算法和AlexNet算法中各層的計(jì)算量和固有的算法結(jié)構(gòu)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行映射,采用C語言對(duì)劃分后的算法進(jìn)行編程,并用RISC-V交叉編譯工具鏈進(jìn)行編譯鏈接,再將其格式轉(zhuǎn)換并載入到加速器的16個(gè)核上進(jìn)行性能仿真。該加速器在1G... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

機(jī)器學(xué)習(xí)對(duì)生物神經(jīng)元抽象的神經(jīng)元模型

圖 2-2 多層感知器模型Figure2-2 Multilayer Perceptron Model于多層感知神經(jīng)網(wǎng)絡(luò)（Multi-Layer Perceptrons，MLPs）的范疇卷積層，采樣層，分類層以及歸一化層。其中卷積層的執(zhí)行時(shí)時(shí)間的絕大部分。CNN 的輸入神經(jīng)元與輸出神經(jīng)元局部連接【38】，使用池化層降低數(shù)據(jù)維度，這些特點(diǎn)決定了 CNN 維度與量。卷積神經(jīng)網(wǎng)絡(luò)中最多的操作是卷積和采樣。卷積層主要是行特征提取，采樣是對(duì)輸入特征圖進(jìn)行降維，減小數(shù)據(jù)量，防

2 NoC 基礎(chǔ)結(jié)構(gòu)片上網(wǎng)絡(luò)（NoC）技術(shù)在芯片內(nèi)部將大量的計(jì)算資源以網(wǎng)絡(luò)形式相連接，實(shí)現(xiàn)了與“通信”功能的分離【40】。因此片上網(wǎng)絡(luò)具有片上系統(tǒng)以高度集成方式實(shí)現(xiàn)數(shù)特征，又具有計(jì)算機(jī)網(wǎng)絡(luò)以路由和交換技術(shù)實(shí)現(xiàn)數(shù)據(jù)通信的特征，集合了兩者的優(yōu).1 拓?fù)浣Y(jié)構(gòu)拓?fù)浣Y(jié)構(gòu)是片上網(wǎng)絡(luò)的核心之一，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)表示了網(wǎng)絡(luò)的形狀，也表示了上的連通性，即路由器之間的互連方式。不同的拓?fù)浣Y(jié)構(gòu)會(huì)對(duì)整個(gè) NoC 的性能的影響，因此對(duì)于不同的應(yīng)用需要選取不同的拓?fù)浣Y(jié)構(gòu)。NoC 拓?fù)浣Y(jié)構(gòu)分為規(guī)非規(guī)則結(jié)構(gòu)兩個(gè)大類，規(guī)則結(jié)構(gòu)包括星型結(jié)構(gòu)，多邊型結(jié)構(gòu)，樹型結(jié)構(gòu)，蝴蝶型結(jié)結(jié)構(gòu)，環(huán)面網(wǎng)絡(luò)結(jié)構(gòu)等，如圖 2-3 所示。此外還有非規(guī)則的結(jié)構(gòu)，非規(guī)則結(jié)構(gòu)多些特殊應(yīng)用定制的網(wǎng)絡(luò)結(jié)構(gòu)。

【參考文獻(xiàn)】：
期刊論文
[1]多媒體技術(shù)研究:2015——類腦計(jì)算的研究進(jìn)展與發(fā)展趨勢(shì)[J]. 黃鐵軍,施路平,唐華錦,潘綱,陳云霽,于俊清.  中國(guó)圖象圖形學(xué)報(bào). 2016(11)
[2]類腦智能研究的回顧與展望[J]. 曾毅,劉成林,譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2016(01)

博士論文
[1]片上網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)的關(guān)鍵電路研究[D]. 戴力.西安電子科技大學(xué) 2012

碩士論文
[1]無監(jiān)督特征學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別[D]. 敖道敢.華南理工大學(xué) 2014



本文編號(hào)：2956492