卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network,CNN）在深度學(xué)習(xí)中占據(jù)重要位置,其網(wǎng)絡(luò)結(jié)構(gòu)具有較好的魯棒性和容錯(cuò)能力,且易于進(jìn)行網(wǎng)絡(luò)訓(xùn)練和優(yōu)化,由于存在乘加運(yùn)算量大、訪存密集、網(wǎng)絡(luò)參數(shù)多樣化等問題,在低功耗嵌入式領(lǐng)域,實(shí)現(xiàn)高能效的CNN加速器已成為研究熱點(diǎn)。本文基于卷積神經(jīng)網(wǎng)絡(luò)的算法結(jié)構(gòu)特征,通過研究并優(yōu)化了基于近似計(jì)算與數(shù)據(jù)調(diào)度的架構(gòu)設(shè)計(jì),在滿足不同應(yīng)用場(chǎng)景與應(yīng)用需求的情況下,盡可能降低CNN加速器的功耗。首先,通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)的冗余性和容錯(cuò)性特征進(jìn)行分析,對(duì)網(wǎng)絡(luò)參數(shù)采用分層量化壓縮的預(yù)處理方案,實(shí)現(xiàn)計(jì)算功耗與訪存量降低的效果。然后,基于已預(yù)處理的權(quán)重?cái)?shù)據(jù),實(shí)現(xiàn)不同分層位寬的近似計(jì)算,解決了卷積運(yùn)算乘法功耗大的問題;另一方面,基于卷積運(yùn)算的數(shù)據(jù)重用軌跡研究,在運(yùn)算陣列上提出多輸出加法樹路由互聯(lián)結(jié)構(gòu),與陣列緊耦合的存儲(chǔ)采用了乒乓緩存結(jié)構(gòu),對(duì)不同尺寸卷積運(yùn)算,實(shí)現(xiàn)了高效靈活的映射方案;然后,通過基于大尺寸矩陣切割優(yōu)化及調(diào)節(jié)陣列供給電壓,解決了存儲(chǔ)和計(jì)算陣列之間的數(shù)據(jù)不平衡問題,從而實(shí)現(xiàn)高能效的CNN加速器數(shù)據(jù)調(diào)度設(shè)計(jì)。在TSMC 45nm工藝下,針對(duì)不同的卷積神經(jīng)... 

【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)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

迭代對(duì)數(shù)乘法器仿真波形

計(jì)算陣列的功能仿真波形圖

【參考文獻(xiàn)】：
期刊論文
[1]超越隱主題包模型:針對(duì)場(chǎng)景類別識(shí)別的空間金字塔匹配（英文）[J]. Fu-xiang LU,Jun HUANG.  Frontiers of Information Technology & Electronic Engineering. 2015(10)

碩士論文
[1]基于FPGA的深度學(xué)習(xí)加速器設(shè)計(jì)與實(shí)現(xiàn)[D]. 余奇.中國(guó)科學(xué)技術(shù)大學(xué) 2016



本文編號(hào)：3542025